搜索
移动互联网的未来：基于情境/兴趣的推送作者WatsonXu|写于2011/03/27|3条评论本文简单阐述了个人对于移动互联网消息获取方式的一些思考，手机上面实时搜索/推荐+Push可能是一种很好的方式，移动互联网时代的搜索可能和PC上的搜索表现形式不太一样，搜索将成为应用内容实时推送的重要基础。一、手机上搜索的需求在PC上，我们对于搜索的依赖性很强，想看天气预报，搜索；想找某个商品，搜索；但是到了移动互联网时代，尤其是以手机为终端的产品，我们发现搜索的需求没有在PC上那么强烈，以iPhone为例，我们发现在iPhone上面看天气有天气相关的应用，看新闻有看新闻的应用，很多事情不用通过搜索来完成，智能手机通过多功能的应用降低了搜索的需求，另一方面在移动的时候，用户有希望主动获取信息的需求，比如用户希望主动获取新收到的邮件，用户期望了解最新的某只股票的价格，诚然在手机上搜索也能达到了解信息的目的，但是很显然，在移动互联网时代，搜索结果和用户之间需要一个桥梁，个人这个桥梁就是Push技术。以前的搜索结果都是基于搜索结果的相关性，其实这个搜索的关键词可以认为是“兴趣”，搜索除了用户兴趣点以外，还有两个维度，一个维度是时间，另外一个维度就是位置，搜索和时间维度相结合其实就是实时搜索，实时搜索/推荐+Push技术就是移动用户了解感兴趣内容最好的方式；搜索和位置维度相结合，其实就是一种基于位置触发的实时搜索，这种基于情境/兴趣触发的实时搜索+Push技术将是一种主动式或者信息的方式，也是一个更加精准的营销方式。二、Push技术简介所谓Push技术是一种基于客户服务器机制，由服务器主动的将信息发往客户端的技术。在Push应用中，在服务器发送内容给客户机之前，没有明显的客户机请求，也就是说，Push事务是由服务器发起的。PUSH技术的本质在于让信息去主动的寻找用户，因此其优势在于信息的主动性和及时性，通过使用该技术，可以尽快的将信息推送到用户面前。最早苹果把推送叫做PushNotification(推送通知/提醒)，其实Push有两个含义，一个是通知，另外一个是消息，而消息的推送又使得基于推送的实时互动成为可能（如下图）。对于手机而言，这里提到的推送的范畴可能会更广，也可以是由某些动作触发的内容推送。图.Twitter利用ApplePushServer实现实时互动三、Push的需求使用智能手机的朋友可能用的比较多的是手机上面邮件的Push，可以实时的获取最新的邮件。对于邮件而言，用户显然是有需求的，而另外的一些内容，比如新闻，可能Push的需求并不强烈，甚至对于不感兴趣的内容的Push，用户会很反感。因而对于Push而言，以下几类内容应该是对于用户而言是有价值的：一是类似邮件，股票价格等用户特别关心的内容，二是满足用户特定条件的内容，比如价格低于某一个值的产品信息等等；三是基于用户兴趣的推荐内容，比如基于用户兴趣的推荐或者基于用户好友的推荐；四是基于关系的推荐，比如好友的相关动态，好友推荐的相关内容；在用户进行特定操作的时候进行Push，比如说LBS服务的签到时；(Via)四、基于兴趣/情境的推送（Push）推荐几个国外的Push服务，几个例子都是由情境或者用户兴趣实现的内容的Push的例子，我相信这样的情境和用户兴趣点就是需要去挖掘和满足的东西，这里的机会也将会非常的多！1.Color这是最近很火的一个手机应用，引起了极大的关注度，一方面是因为其创始人团队的阵容包括了前lala的创始人BillNguyen，BillShrink创始人PeterPham，前Linkedin首席科学家：DJPatil等，在应用出来之前就获得了4100万美元的投资。同时其也提出了一种新的社交理念，ElasticNetwork（弹性社交网络），通过基于地理位置的方式将拍摄的照片来建立关系，并且以此来实现对于人和关系的拓展。这是实际上也可以认为是一种由地理位置触发的内容和人的推荐的典范！是一个提供基于地理位置优惠券推送服务，用户通过安装Getyowza提供的客户端，Getyowza会根据用户的地理位置，将给用户推送附近的优惠券信息。目前Getyowza只在美国开展此项业务，用户安装软件之后可以设置推送距离（推送距离自己多少范围内的优惠信息），可以直接在GoogleMaps上查看这些优惠信息，可以收藏自己喜欢的店铺，选择只接受自己收藏店铺的优惠券的推送信息。Getyowza的优惠券不需要打印，直接给商户看便可以享受打折优惠。(Via)是一个提供多功能手机Push(推送)服务的应用，目前提供了iPhone客户端，不久还将推出Android和BlackBerry客户端，Notifo是一种可扩展的Push应用，用户可以选择自己想要的Push服务，包括twitter信息的推送、股票信息的变动、网页的变动信息等等。（Via）Notifo提供的主要的Psuh功能如下：可以设置多少时间之后Push一条Push信息，并且可以设置一个Push的网页链接；可以设置股票价格变动的Push信息；直接给手机客户端发送Push信息支持GoogleVoiceSMS的Push提醒；PushTwitter上面的Mention信息，支持多种iPhone客户端；通过实现Push免费的产品信息；推送上面的产品信息推送DVD和蓝光碟信息；（）跟踪任何网页信息的变化，通过来实现五、推荐机制对于移动互联网将更加重要刚才上面也提到了在手机上面搜索的需要（从表象上来看）是减少了，实际上是在手机上搜索给用户提供服务的方式可能逐渐会变化，搜索结果到用户可以Push的方式来实现，并且手机上面更加需要的是搜索引擎对于结果的智能推荐，这种推荐可能会更多的依赖于手机移动的特性——位置，基于位置的推荐。并且在手机上，基于关系的实时推荐+Push也将很有价值（比如你的好友在附近，你的好友在附近买过东西等等）刘禹池lyc@chzh.cn探索推荐引擎内部的秘密，第1部分:推荐引擎初探赵晨婷,软件工程师,IBM马春娥,软件工程师,IBM简介：随着Web技术的发展，使得内容的创建和分享变得越来越容易。每天都有大量的图片、博客、视频发布到网上。信息的极度爆炸使得人们找到他们需要的信息将变得越来越难。传统的搜索技术是一个相对简单的帮助人们找到信息的工具，也广泛的被人们所使用，但搜索引擎并不能完全满足用户对信息发现的需求，原因一是用户很难用恰当的关键词描述自己的需求，二是基于关键词的信息检索在很多情况下是不够的。而推荐引擎的出现，使用户获取信息的方式从简单的目标明确的数据的搜索转换到更高级更符合人们使用习惯的上下文信息更丰富的信息发现。本文的标签:推荐引擎,推荐系统标记本文！发布日期：2011年3月16日级别：高级访问情况16842次浏览建议：6(查看或添加评论)平均分（共53个评分）“探索推荐引擎内部的秘密”系列将带领读者从浅入深的学习探索推荐引擎的机制，实现方法，其中还涉及一些基本的优化方法，例如聚类和分类的应用。同时在理论讲解的基础上，还会结合ApacheMahout介绍如何在大规模数据上实现各种推荐策略，进行策略优化，构建高效的推荐引擎的方法。本文作为这个系列的第一篇文章，将深入介绍推荐引擎的工作原理，和其中涉及的各种推荐机制，以及它们各自的优缺点和适用场景，帮助用户清楚的了解和快速构建适合自己的推荐引擎。信息发现如今已经进入了一个数据爆炸的时代，随着Web2.0的发展，Web已经变成数据分享的平台，那么，如何让人们在海量的数据中想要找到他们需要的信息将变得越来越难。在这样的情形下，搜索引擎（Google，Bing，百度等等）成为大家快速找到目标信息的最好途径。在用户对自己需求相对明确的时候，用搜索引擎很方便的通过关键字搜索很快的找到自己需要的信息。但搜索引擎并不能完全满足用户对信息发现的需求，那是因为在很多情况下，用户其实并不明确自己的需要，或者他们的需求很难用简单的关键字来表述。又或者他们需要更加符合他们个人口味和喜好的结果，因此出现了推荐系统，与搜索引擎对应，大家也习惯称它为推荐引擎。随着推荐引擎的出现，用户获取信息的方式从简单的目标明确的数据的搜索转换到更高级更符合人们使用习惯的信息发现。如今，随着推荐技术的不断发展，推荐引擎已经在电子商务(E-commerce，例如Amazon，当当网)和一些基于social的社会化站点(包括音乐，电影和图书分享，例如豆瓣，Mtime等)都取得很大的成功。这也进一步的说明了，Web2.0环境下，在面对海量的数据，用户需要这种更加智能的，更加了解他们需求，口味和喜好的信息发现机制。回页首推荐引擎前面介绍了推荐引擎对于现在的Web2.0站点的重要意义，这一章我们将讲讲推荐引擎到底是怎么工作的。推荐引擎利用特殊的信息过滤技术，将不同的物品或内容推荐给可能对它们感兴趣的用户。图1.推荐引擎工作原理图图1给出了推荐引擎的工作原理图，这里先将推荐引擎看作黑盒，它接受的输入是推荐的数据源，一般情况下，推荐引擎所需要的数据源包括：要推荐物品或内容的元数据，例如关键字，基因描述等；系统用户的基本信息，例如性别，年龄等用户对物品或者信息的偏好，根据应用本身的不同，可能包括用户对物品的评分，用户查看物品的记录，用户的购买记录等。其实这些用户的偏好信息可以分为两类：显式的用户反馈：这类是用户在网站上自然浏览或者使用网站以外，显式的提供反馈信息，例如用户对物品的评分，或者对物品的评论。隐式的用户反馈：这类是用户在使用网站是产生的数据，隐式的反应了用户对物品的喜好，例如用户购买了某物品，用户查看了某物品的信息等等。显式的用户反馈能准确的反应用户对物品的真实喜好，但需要用户付出额外的代价，而隐式的用户行为，通过一些分析和处理，也能反映用户的喜好，只是数据不是很精确，有些行为的分析存在较大的噪音。但只要选择正确的行为特征，隐式的用户反馈也能得到很好的效果，只是行为特征的选择可能在不同的应用中有很大的不同，例如在电子商务的网站上，购买行为其实就是一个能很好表现用户喜好的隐式反馈。推荐引擎根据不同的推荐机制可能用到数据源中的一部分，然后根据这些数据，分析出一定的规则或者直接对用户对其他物品的喜好进行预测计算。这样推荐引擎可以在用户进入的时候给他推荐他可能感兴趣的物品。回页首推荐引擎的分类推荐引擎的分类可以根据很多指标，下面我们一一介绍一下：1.推荐引擎是不是为不同的用户推荐不同的数据根据这个指标，推荐引擎可以分为基于大众行为的推荐引擎和个性化推荐引擎o根据大众行为的推荐引擎，对每个用户都给出同样的推荐，这些推荐可以是静态的由系统管理员人工设定的，或者基于系统所有用户的反馈统计计算出的当下比较流行的物品。o个性化推荐引擎，对不同的用户，根据他们的口味和喜好给出更加精确的推荐，这时，系统需要了解需推荐内容和用户的特质，或者基于社会化网络，通过找到与当前用户相同喜好的用户，实现推荐。这是一个最基本的推荐引擎分类，其实大部分人们讨论的推荐引擎都是将个性化的推荐引擎，因为从根本上说，只有个性化的推荐引擎才是更加智能的信息发现过程。2.根据推荐引擎的数据源其实这里讲的是如何发现数据的相关性，因为大部分推荐引擎的工作原理还是基于物品或者用户的相似集进行推荐。那么参考图1给出的推荐系统原理图，根据不同的数据源发现数据相关性的方法可以分为以下几种：o根据系统用户的基本信息发现用户的相关程度，这种被称为基于人口统计学的推荐（Demographic-basedRecommendation）o根据推荐物品或内容的元数据，发现物品或者内容的相关性，这种被称为基于内容的推荐（Content-bas