last.fm、grooveshark、pandora 等推荐网站背后的算法是什么？答案

【问题标题】：What is algorithm behind the recommendation sites like last.fm, grooveshark, pandora?last.fm、grooveshark、pandora 等推荐网站背后的算法是什么？
【发布时间】：2009-08-12 19:06:05
【问题描述】：

我正在考虑启动一个基于推荐系统的项目。我需要在这方面提高自己，这看起来像是网络方面的热门话题。还想知道 lastfm、grooveshark、pandora 用于他们的推荐系统的算法是什么。如果您知道此类算法的任何书籍、网站或任何资源，请告知。

【问题讨论】：

标签： algorithm collaborative-filtering

【解决方案1】：

看看Collaborative filtering 或Recommender systems。

一个简单的算法是Slope One。

【讨论】：

【解决方案2】：

一个时髦的迟到的回应： Pandora 和 Grooveshark 使用的算法非常不同。

推荐系统基本上有两种主要方法 - 1.协同过滤， 2. 基于内容。（和混合系统）

大多数系统都基于协同过滤。这基本上意味着匹配的偏好列表）：如果我喜欢项目 A、B、C、D、E 和 F，并且其他几个用户喜欢 A、B、C、D、E、F 和 J - 系统将推荐 J 到我基于我与这些用户有着相同品味的事实（这不是那么简单，但这就是想法）。此处分析的主要特征是项目 id 和用户对这些项目的投票。

基于内容的方法分析手头项目的内容，并根据我喜欢的项目的内容而不是基于其他用户的喜欢来建立我的个人资料。

话虽如此 - Grooveshark 基于协同过滤 Pandora 是基于内容的（可能在顶部有一些协同过滤层）。

Pandora 的有趣之处在于内容是由人类（音乐家）分析的，而不是自动分析的。他们将其称为音乐基因组计划（http://www.pandora.com/mgp.shtml），其中注释者在每首歌曲上标注了多个标签，例如结构、节奏、音调、录音技术等（完整列表：http://en.wikipedia.org/wiki/List_of_Music_Genome_Project_attributes）这就是让他们可以选择解释和证明推荐歌曲的原因。

【讨论】：

【解决方案3】：

Programming Collective Intelligence 是对该领域的一个很好的、平易近人的介绍。

【讨论】：

【解决方案4】：

Mapping and visualizing music collections 上有一个很好的演示视频，里面有解释（以及作者论文的链接）。这种方法处理分析音乐本身的特征。其他方法，如 NetFlix 和 Amazon，依赖于其他口味相似的用户的推荐以及基本的类别过滤。

【讨论】：

【解决方案5】：

Yehuda Koren（在获得 Netflix 大奖的团队中）的精彩论文：Netflix 大奖的 BellKor 解决方案 (google "GrandPrize2009_BPC_BellKor.pdf")。

几个网站：

【讨论】：

【解决方案6】：

曼宁也有两本关于这个主题的好书。 Algorithms of the Intelligent Web 和 Collective Intelligence in Action

【讨论】：

【解决方案7】：

Last.fm "neighbours" 可能是协同过滤。
Pandora 聘请了数百名音乐学家来对歌曲进行大约 500 个维度的分类。 http://en.wikipedia.org/wiki/Music_Genome_Project

这是两种截然不同的方法。就文献而言，Google Scholar 是您的朋友。

【讨论】：

【解决方案8】：

Pandoras 算法一开始只是将特定音乐流派与您输入的特定歌曲进行匹配。然后它通过人们投票喜欢或不喜欢这首歌而慢慢增长，使其能够消除不良歌曲，并将好歌曲推到最前面。它还会将票数很少的新歌曲添加到您的歌曲播放列表中，以便该歌曲获得一些票数。

不确定列出的其他网站。

【讨论】：