偶看新闻孔雀鱼鱼漂:基于实时行为的推荐技术会超越亚马逊吗？ | ThinkTAG ?
来源：百度文库 编辑：偶看新闻 时间：2024/05/05 06:54:49
Baynote是众多的推荐技术提供商之一，也允许它的产品被贸易公司所使用。正如我们在标题所看到的，Baynote的特点在于它强调实时的用户行为分析，这也是它声称 超越“亚马逊–第一代推荐引擎”的技术。到目前为止，我们知道有很多致力于推荐引擎的公司，例如amazon和netflix，他们采用不同的创意和方 法来搭建推荐引擎。我们和Baynote的创始人兼CEO –Jack Jia进行了交流，看看我们大家有什么理由相信Baynote采用的技术会超越amazon
Baynote专注于分析当前的团体行为用来产生推荐，它故意弱化对于过去用户行为的分析，比如：page views和购买历史
Baynote公司的定位是对抗“推荐之王”Amazon（目前大家都这么称呼amazon），Jia在谈话中提到，Amazon是第一代推荐引擎，因为 它很大程度上仍然依赖于于协同过滤。Jia指出，协同过滤太专注于用户过去的数据分析，这种方式不足以说明用户当前的形为，而Baynote正在用户当前 形为方面做一些工作
Jia在谈话中介绍到，Baynote观察用户在网站实时的行为，并且希望从中得到隐藏的，自然发生的形为数据。 Baynote用到群体的智慧和相似度引擎（我觉得翻译成亲和力引擎也许更适当一点）来分析数据。这些被用来分析的公共形为包括网页跟踪，搜索Query，鼠标移动，在网页停留时间，网页浏览行为
额外需要注意的是，Baynote对于page views和购买形为没有像其它推荐引擎那样关注。jia解释说因为他们考虑到这两种方式对于推荐产品或者内容并不是很有用，因为这些数据缺少前后的相关 性，而且不是必须实时的。他表示，用户的参与，才是衡量哪些方式有意义的价值点所在。
关于Baynote是怎么来定义 communities(我觉得这个不要翻译可能更好理解一点，大体是用户群的意思)。基本上，系统会把用户分成若干个群和相应的子群体。以照相机为 例，Jia解释说，照相机可以被分成很多类别和子类。与之对应的，有一个nikon相机的用户群，同时有一个“高端nikon相机”的子群体,等等。
什么导致Baynote的个性化推荐区别于Amazon？
很明显，在Baynote网站的表面之下，有一些复杂的技术在支持。这些技术中，包括了Baynote提出的UseRank（显然是跟风google的 PageRank），但是Baynote的UseRank关注于用户在某个网站的行为（而不是只关注链接）。Baynote已经取得了“实时的，有前后相 关性的个性化技术”专利。但是，是什么使得这样的个性化推荐会比Amazon的推荐要好呢？
Jia向ReadWriteWeb透露，类似 Amazon使用的这种“个性化个人资料的方式”，不是Baynote所着重的。Baynote认为这种传统的个性化方式效果并不好，因为那些方法都没有 重视用户的意图和背景。我们在前一篇文章“关于推荐系统的五个问题”中有提到一个例子：你在昨天购买了一些商品，并不意味着你今天还想买类似的商品（比如 昨天给姐姐买了生日礼物，但今天只是想来买个CD给自己听而已）。这就是为什么Jia觉得需要关注用户实时的意图和背景的原因。Jia也向大家展示了 Disney网上商店如果利用Baynote的技术向用户提供推荐。
比如，用户在网站右侧可以看到“您可能也会喜欢。。。”模块。大家都会对这个存在疑问：“看（买）过这个商品的用户同样看（买）过”，这样的模块与 Amazon网站的相同模块有什么区别？同时，大家也想知道有没有偏向顶端推荐的情况，因为大部分用户自然会点击排在最第一位的推荐。Jia向大家强 调，Baynote是不关注page view的，他给出较深入解释是：Baynote更关注发生在页面上的行为。举个例子，如果用户点击了顶端的推荐内容，但是马上又退回了（比如点击“后退 ”），Baynote推荐引擎会记录用户这一次拒绝推荐内容的行为。但是如果在页面上进行浏览（比如滚动页面），选中某些内容，等等，那么会认为这是一次 有意义的记录（正向的衡量）。Baynote不仅跟踪点击，同时也跟踪页面形为。这种方式会使包括Disney在内的其它零售网站销量增长。
结论：不要忽视个性化推荐，它已经在发展
Baynote有大约200个包括电子商务，媒体和企业客户，这些客户中约有一半属于B2B范围。所以它不仅仅适用于零售行业的推荐。例于：Jia告诉我们摩托罗拉内网也是这种推荐产品的用户（观察员工的活跃度、活动），它可以用来推荐内容和改进搜索体验
Baynote的推荐技术同样是“SAAS”。它提供易于安装的接口，只需提出申请，经Baynote确认后便可用于任意网站和搜索引擎。
总的来说，Baynote的推荐系统给我们留下了很好的印象。然而，我们也不必坚持认为这种方式肯定能超越Amazon和richrelevance使用的 类似“个性化个人资料相关”的方法。当然，我们更不必现在就推翻Amazon为代表的“第一代”推荐技术。不久，我们会陆续介绍那些有活力，积极进取的公司，比如richrelevance，他们在个性化推荐领域都有很有意思的创意和方法。
所以，这就像一间装满了方法和创意的房子，尽管我们把Baynote的推荐技术在我们学习的基础提升到了一定的高度。如果你对Baynote的推荐方法有任何想法，请在评论中告诉大家。（原文地址 http://www.readwriteweb.com/archives/baynote_recommendation_engine.php）
译后感：
Collaborative Filtering，直译成协同过滤，是一种基于大量数据，从多个维度进行分析，找到相似关系的方式。现在很多的地方都在使用这种方法，Amazon的“买这个的人还买过”，就是在这种方法的基础上推广实现。
Netflix给能提出优化推荐的人很高的奖金，也导致网上出现了一些更新，更有意思的算法，从朋友那里得到了一份“Combined Collaborative Filtering”，提出了更多的考虑范围。
看过“关于推荐系统的五个问题”和本文，也和朋友讨论过，感觉两种方式都很有意义，Collaborative Filtering也许可以尝试考虑到更多的维度，比如办公室里有十个人喜欢刘德华和罗纳尔多，第十一人也喜欢刘德华，我们能判断他也很可能喜欢罗纳尔多 吗？如果是张学友，我们可能说出来的底气足一些，毕竟都是娱乐界的名人，但从娱乐跨到足球，就远了一点。
对于用户群分类，对于商品也分类，从两个方向同时去考虑相似度，可能会更好的解决这个问题。如果再有一种算法能对于用户意图和背景也进行相应的分析，可能推荐的效果就会比较好了，基于当前用户形 为、意图的分析，确实开拓了思路和视野，不知道Baynote的算法又复杂到了什么程度。推荐系统还是一潭很深的水，大家如果有想法，可以一起来讨论讨论。