為什麼這篇netflix推薦系統鄉民發文收入到精華區：因為在netflix推薦系統這個討論話題中，有許多相關的文章在討論，這篇最有參考價值！作者ciphero (奶油焗蛋餃...:))看板Soft_Job標題[討論] 關於推薦系統時間Thu...
netflix推薦系統 在 咪咪愛運動 Mimi Sparkle Instagram 的精選貼文
2020-05-17 01:22:30
防疫在家期間你們都怎麼動？ 是不是覺得在家都有點懶惰，想開始運動又不要動什麼，找到運動了又有點想偷懶 整個拖來拖去運動效率很差又忍不住躺沙發了😵 . 跟大家分享我最近的運動好夥伴👉 Wondercise 光感應體力檢測錶⌚️ . 全球唯一9軸動態感應超聰明的智能運動手環，但厲害的不只是這隻手錶，是因...
小弟目前在做推薦系統 (Recommendation System) 的研究
推薦系統在日常生活中其實還蠻常見的
例如逛Amazon會推薦你可能會有興趣的書，Netflix會推薦你喜歡的電影
但發現台灣目前在做推薦系統的公司似乎很少
連國內的相關研究也很少，找一下paper也是寥寥數篇
反觀國外跟大陸已經有很多研究了，還有專門的課程在大學裡授課
分析一下可能有以下幾點原因：
1. 推薦系統只是附屬在營運項目的一種功能而已，通常不是主要功能
2. 公司就算有在研發也是私底下研發，推薦演算法不會拿來公開發表
覺得在台灣幹這一行真的蠻孤單的...
專書也很稀有...絕大部分要靠上網查零零碎碎的原文資料 (不過這樣也較容易進步)
發個牢騷一下...XD
--
※ 發信站: 批踢踢實業坊(ptt.cc)
◆ From: 114.37.116.232
→ Chita5566:kkbox有在做 說真的要做這個都要有一定規模的軟體公司 11/28 21:45
→ Chita5566:台灣大公司都半導體為主 當然少.... 11/28 21:46
是的，我找來找去大概也就只有kkbox有明確的說要找recommendation的人才應該也是跟該公司的性質有很大的關係 (大量節目 + 使用者)
推 MontaEllis8:這東西也真的只有大軟體公司會做 所以在台灣一定冷門 11/28 22:26
嗯...不但公司要有規模才有可能做，而且資料量也要夠多才有可能而且在軟體研發、硬體架構這些事情上面也很耗費成本
光這些原因就夠令人卻步了.../_\
推 sleepwu:個人化也算是吧 11/28 22:43
推 sunSimon:淚推 11/28 22:54
樓上仁兄莫非也是相關的工作或研究嗎？ XD推 gogohc:data ming 的一個應用吧 11/28 23:07
我個人倒認為recommendation比較接近於information retrieval舉例：利用 tf-idf 計算哪個使用者喜歡哪個節目的程度
當然也不是說絕對啦，例如幫使用者分類、分群就可說是 data mining 的範圍
→ npsi:paper很少也正常 因為很難評估和比較 應該也沒有benchmark吧 11/28 23:38
→ francej:這東西資料的量比演算法還重要 事實上搜尋引擎也是啊 11/28 23:40
→ francej:MS怎麼可能會想不出跟Google一樣厲害的演算法 會輸是輸在 11/28 23:42
→ francej:資料量就先天不如人囉 11/28 23:42
→ SWATMAN:推薦系統這個很多吧?美食、旅遊的一堆耶~ 11/28 23:43
上面我有提到說「推薦系統在日常生活中其實還蠻常見的」但是台灣專門就這方面的研究並不多 (但國外很多)
而且即使你有看到「推薦」功能，也並不等於「個人化推薦」
如果只是推薦當週最熱門的音樂、最多人吃的美食，簡單統計一下就可以達成這個功能
但這種功能與個人無關...
→ francej:至於為何Bing的資料量不如人 跟CEO是誰比較有關係 11/28 23:43
資料的多寡真的是大重點我也是等收集到足夠的資料才敢開始分析的...= ="
※ 編輯: ciphero 來自: 114.37.116.232 (11/29 00:25)
推 ckaha:aprior algorithm 開始找吧 其實不少... 11/29 00:08
aprior只是AR的其中一種演算法，更只是推薦演算法的其中一種而目前各大知名公司所使用的通常都是混合式的演算法
※ 編輯: ciphero 來自: 114.37.116.232 (11/29 00:39)
→ cyclone350:之前看過mahout，可惜沒資料讓我try 11/29 16:09
推 gasper:據我所知HTC Studio team也有在做 11/30 17:53
推 caty1010:國內學者有很多人在研究推薦系統啊 可以查一下 他們都有 12/01 18:18
→ caty1010:投上好期刊 12/01 18:18
推 dailike:104有 12/04 18:43
→ YunJonWei:你有認真找嗎，國內外都做到爛掉的東西 12/05 20:31
→ YunJonWei:而且明明就是用 "Recommender system" 才對。 12/05 20:33
→ YunJonWei:更不用說很多類似的系統，Reputation system等相關概念 12/05 20:33
→ YunJonWei:台灣幾乎每家EC也都有這種系統，怎麼會少呢。 12/05 20:34
→ YunJonWei:前3~5年更是玩 Real-time 的推薦系統，也玩得差不多爛了 12/05 20:35
→ YunJonWei:Yahoo最近的慾望牆，也是個好例子阿。 12/05 20:36
→ YunJonWei:總之國內這明明就很多人做啊。 12/05 20:38