随笔档案

术语：
content-based, neighborhood-based, collaborative filtering, substitutes(相等价的商品，如可口可乐与百事可乐), complements(附加的、补充的商品，如ipod和ipod faceplate), listing fee上市费, flippers(who buy a low price and resell at a higher price)

大致内容：
这篇论文的作者是e-bay的高级技术人员，主要从scale, product dimension, buy dimension, seller dimension, buyer seller handshake这几个方面和5Ws(what, where, when, why, who)和1H(how)来说明E-Bay推荐的关键问题和难点。
同样的商品，可能有多种情况（有无盒，有无标签，有多新/旧）。而对于买家，也分为casual shopper, impulsive shopper, value-driven shopper, collector filppers

what:对于用户不同的浏览情况，给予不同的推荐。例如：用户U1和U2都浏览了某个item-i1。用户U1反复浏览多次i1，并将其加入购物车。用户U2则看了一眼就再也没有访问i1的页面。对于这两位用户，推荐系统所做出的推荐不能是相同的。
where:在用户浏览的不同网页/阶段（search,bid,check-out,post-transaction）所做的推荐不同。
when:用户在购买商品后，经过不同的时间，给予不同的推荐(例如：对于一个刚买相机一天的用户，推荐系统应该推荐其附件（包），对于一个买了相机30多天的用户来说，推荐系统更应为其推荐一些关于相机保养的商品)
why:推荐系统给出推荐原因，如60%的用户买了这个商品也买了那件
who:不同的用户类型给予不同的推荐。对于老手，推荐并非有太大功效，而对于新用户，则作用最大。
how:推荐时会有大规模，超稀疏的user-item矩阵，用SVD进行降维分解。另一种方案是聚类，可用K-means和层次聚类的方法。

论文：
Neel Sundaresan：Recommender Systems at the Long Tail.  Proceedings of the fifth ACM conference on Recommender systems, Oct. 2011
论文链接：
Recsys2011_Recommender_System_at_the_Long_Tail.pdf