标签：
而对于大多数的项目而言，推荐系统都不可避免地面临以下几个问题[6]:
1.数据过度松散，当应用变得庞大，数据集开始增大的时候，就会出现这个问题了。可能大量的用户只是评价了一小部分的项目，而大多数的项目是没有进行评分的。 这个时候就会出现数据过度松散的问题。2.同义项目问题，对于同义的项目，在系统中可能具有不同的标识符，对于这些项目之间的相关性就会被忽略。3.垃圾攻击，对于一些利用系统进行恶意传播的用户，可能会制造一些虚假的评价，造成系统推荐的不正确行为。4.冷启动问题，对于新使用系统的用户，系统中并没有相关的操作记录，没法生成相关的推荐。总体而言，现在的推荐系统还是面临不少的问题。而在产业界的成功也会促使这项技术会继续发展。
[1]《Programming Collaborative Intelligence》，中文译名为《集体智慧编程》。是一本理论与实践的好书，手把手教你如何写一个推荐系统，不过其中的算法比较简单，但是对于入门是一本好书。[2]《AlgorithmsIntelligentWeb》，也是非常浅显，重于实践的书，其中第二单，讲解了一个简单的推荐系统的搭建，并提供了源码，供学习。组织：[1]Resys Group，国内一个关于推荐引擎的小组，其中不乏牛人，定期也会举办活动。[2]GroupLens，老字号的推荐引擎研究小组，它们的主页上有很多的资讯，推荐。博客：[1]Beyond.Search， Resys Group的创始人之一，里面有不少不错的博文，可以获得大量关于推荐系统发展的资讯。
[1] Taste ,已经整合到Apache里的Mahout里面了，一个非常经典的推荐系统库。
【1】John S. Breese ,David Heckerman , Carl Kadie.Empirical Analysis of Predictive Algorithms for Collabrative Filtering【2】 Badrul Sarwar , George Karypis , Joseph Konstan , John Riedi.Item-Based Collaborative Filtering Recommendation Algorithm【3】Abhinandan Das , Mayur Datar , Ashutosh Garg.Google News Personalization : Scalable Online Collaborative Filtering ,【4】Paul Resnick , Neophytos lacovou , Mitesh Suchak , Peter Bergstrom , John Riedl .GroupLens: An Open Architecture For Collaborative Filtering of Netnews【5】A.Broder..On the resemblance and containment of documents【6】XiaoYuan Su , Taghi M.Khoshgoftaar.A Survey of Collaborative Filtering Techiniques ,
标签：
原文地址：http://www.cnblogs.com/RandyS/p/35e3a8f46ab8abfa90223eedb1d60016.html
