http://news.chaobaihe.net 潮白新闻网
最近在做一个推荐的任务，头绪繁多，回头看看同行的工作，希望能有些帮助。
零零碎碎看过好多资料，有些已经忘记了，会慢慢补全。
欢迎大家留言补充。也欢迎同行加我微博进行交流。
视频类
Netflix：很多方法的融合，策略可以参考我翻译的blog，架构参考小鱼儿师兄的blog。
Hulu：主要是item based CF，参考官方博客上的文章。
Youtube：开始是random walk，后来改为类似item based CF的方法，这是他们算法团队发表的论文。recsyschina上的点评， 豆瓣阿稳的点评。
http://news.chaobaihe.net 潮白新闻网图书类
Amazon：好多方法都用了，主要是 item based CF，参考Greg Linden的论文。这里讨论了一下其推荐系统的有效性；另外，这篇博客有一个简要的讨论，包含pandora的推荐方法。
资讯类
google news：用了CF和bayesian的方法：CF论文，bayesian论文。
digg：算法是 热门度+topic driven user based CF，官方博客找不到了，算法说明在这里。项亮的点评。
zite：可以参考这里。
http://bbs.chaobaihe.net 潮白河社区网音乐类
last.fm：用的是CF，参考这里。
yahoo music：参考Koren的论文。
pandora：音乐基因项目，主要依赖专家标注。参考这里，和这里，以及一篇对比的文章。http://bbs.chaobaihe.net 潮白河社区网
社交类
facebook：算法叫Edgerank， 参考这里和这里。
twitter：主要场景是推荐其它用户，参考官方介绍，以及quora上的讨论。
linkedin：Quora上有一个详细的说明。负责人Christian Posse在kdd2012上的slides。或者参考他们刚发表的论文。
综合推荐
stumbleupon: 参考这里，网页上的图打不开了，放在下面。其实就是3条线：hot、friend-cf、user-cf。这里有一篇综述的文章。
最后，以下是几篇不错的关于推荐系统的文章。
比较杂的：相关性时代，推荐系统的机会，推荐系统的挑战，无处不在的推荐，推荐系统微观点
豆瓣阿稳的：推荐算法与推荐产品，集体智慧vs专家智慧，推荐算法vs过滤系统
| 欢迎光临 潮白河社区网 (http://bbs.chaobaihe.net/) | X3.2 |