項亮的書《推薦系統實踐》
推薦系統的那點事 | IT癮
http://itindex.net/detail/50820-%E6%8E%A8%E8%8D%90%E7%B3%BB%E7%BB%9F
//推薦系統的誤區
剛接觸【推薦系統】的時候，【協同過濾算法】大熱， 我也曾經迷戀得研究過該算法，以為發現了什么寶貝一樣。但是實際上，在工程中【協同過濾】出來的效果往往慘不忍睹，所謂的【算法工程師】每天能做的就是在那調整【協同過濾】算法的相關參數，然后看看第二天的點擊率有沒有上升。然后調整到最后你會發現，牛逼哄哄的【協同過濾】其實還不如簡簡單單的【看了又看】效果來的好，雖然協同過濾算法本質上也是一種【看了又看】的思想。
推薦系統我認為其實和搜索系統并無太大差異，我一直認為推薦系統其實只是一個個性化的搜索引擎。之前在【秘密】上很火的有個爆料是：“360搜索的Rank剛開始就是用【機器學習】的算法去做，屎一樣的效果，是我把百度的基于規則的算法偷過去之后才變好的?！?，這個爆料出來不少人諷刺【基于規則】，覺得這是在黑百度的算法。 其實不是這樣的，記得當時阿里搜索挖了一個谷歌搜索的員工，該人在阿里分享的時候就說過：【谷歌的搜索效果比別人好的原因就是規則庫牛逼，關于算法使用的都是成熟的人盡皆知的算法，并沒什么新奇酷的算法】。 可能也是這個原因，谷歌研究院的科學家幾乎全是【工程師背景】出身的。還記得上次【CCF推薦系統前言講座】，剛開始叫了幾個學院派的講師在那大講特講各種酷炫掉渣天的算法，然后淘寶的大數據負責人車品覺 上臺之后直接來了句【我們實驗出各種算法效果不太好，還不如最基本的 關聯規則 效果來的好】直接把前面的學院派專家們打臉打得都腫了。
//總結
實力派的【算法工程師】往往都是ABC[always be coding]，這樣的算法工程師才能根據實際問題建立模型或者建立規則庫，是真正能解決問題的人。往往是一些有研究背景，經驗豐富的研究員，更加重視工程，因為工程架構上一些恰當合理的設計，效果往往就能遠遠高過于模型算法優化。
學院派的【算法工程師】往往是為了算法而算法，而不是為了解決推薦系統的問題去找最適合算法。這也是為什么大公司經常招了一些博士畢業的算法工程師后，不是研究算法而是讓他們整天在那看數據報表？【因為發現算法沒啥好研究，只能讓他們在那看看報表找找規律了。】
【幾乎所有所謂的智能推薦算法都是花拳繡腿】
當一個做推薦系統的部門開始重視【數據清理，數據標柱，效果評測，數據統計，數據分析】這些所謂的臟活累活，這樣的推薦系統才會有救。
推薦系統雜談 - 后端技術雜談 | 颯然Hang
http://www.rowkey.me/blog/2016/08/30/recommend-sys/
--EOF--
