移动互联网创业计划书

1 项目 计划书 2 1、 问题是什么？ （ 事业描述。 必须描述所要进入的是什么行业，卖什么产品 (或服务 )，谁是主要的客户，所属产业的生命周期是处于萌芽、成长、成熟还是衰退阶段。还有，企业要用独资还是合伙或公司的形态，打算何时开业，营业时间有多长等。 ） 1） 移动互联网时代，智能设备是主要的应用设备 移动互联网时代：手机网民数量将在 2013 年超越电脑网民。半年中国互联网调查数据显示：预计在 2010 年末，而手机网民的数量也将达到 。 3G 时代的到来，使手机网民的 规模将在未来三年内有突飞猛进的增长趋势； 2013 年，中国手机网民将达 ，首次超越电脑网民。 中国市场：移动智能终端的迅速普及，智能手机出货量将在 2012 年超越 货量， 2013 年将超越功能手机。 半年中国互联网调查发现：在技术发展、造价走低和移动市场喷发的三驾马车的驱动下，中国智能手机的出货量年内将超越电视， 2011 年出货量将达8424 万台，略低于 货量（ 8569 万台）， 2012 年则超越 2013 年智能手机出货量将超过功能手机出货量，成为移动互联市 场最主流的第三屏，而这一个个超越的炫音将构成移动互联网到来的奏鸣曲 移动互联网终端超越：智能手机销量指数式上升， 2011 年销量超 2013 年超越非智能手机 3 011 中国互联网调查显示：智能手机销量将在 2011 年超越 5 年之内手机市场格局就将彻底颠覆，智能手机销量将在 2013 年超越非智能手机，份额达 51%，非智能手机将逐渐淡出市场，智能手机将成数字时代第一屏。 2） 智能设备使用主要服务模式是应用 开放下的智慧终端时代： 跑智能终端 代， 者降临 011 中国互联网调查显示： 2010间， 球市场份额超越 市场上证明了开放的潮流是大势所趋；从用户对智能手机功能的偏好来看，应用程序的扩展能力最为重要；不具有良好的扩展应用程序的智能手机，将被替代。 各手机厂商争先恐后地通过移动应用商店、手机应用内置等方法提供移动应 用，恰恰印证了架构与整合移动应用将成为手机厂商在智能手机、互联网手机上最重要的发展方向。调研发现，用户对手机应用 /软件的付费意愿较高，仅有不到三分之一的用户表示只用免费版的应用，智能终端进入 王的时代。 4 应用的移动化仍需跨越资费制约：手机上网仍以轻应用为主，社交应用迅速发展； 资费问题尚待解决 011 中国互联网调查显示：阅读、即时通讯、搜索、下载、音乐分列主要应用前五位，社区、网游 2008 年以来增幅明显；极为占用流量的视频虽然增长较为迅速，但有略微放缓的势头。总的来看，中国的手机上网的应用主要以轻应用为主（流量占有较少的），资费依然是限制手机上网的较大阻力。从手机用户每月上网的流量分布可看出，流量在 50 兆以下的占了超过 7 成，可见，中国手机用户上网的资费预算仍非常低，资费问题成为手机视频等相对耗流量的应用的发展阻力 ： 移动互联网和智能手机上， 浏览器有前途。 这个领域 特点： 随时： 操作时间稍纵即逝（等个 电梯上个厕所） ； 用户也更加普通（从 00 后到老奶奶）。 资源受限制（计算能力，显示面积，网络速度等等）。 移动应用更强调体验，更强调资源利用效率。本地 直接的访问特定应用，容易为用户优化，资源利用的效率更高。 资源受限的时代也一样。比如流行一时的本地邮件程序。今天， 却呈现出 智能手机上资源的限制会改善，其他方面却未必。他今后应该有比 多的可能性。 后，也未必会向 样渐渐放弃本地程序。 的浏览器，浏览器中的 5 不过手 机浏览器也谈不上死了。 直提供在程序内调用浏览器 (功能。今天不少 直接显示 容。 户端放出类似这种字符串来搜索“ 和你浏览器地址栏里的东西有不同？ 另一方面。 可以算浏览器中的 吃豆游戏，也可以冒充一下。除此之外， 在发展更正宗的“浏览器中的 他的前途是另外的故事。） 浏览器和 是对头，更象是你中有我我中有你的好兄弟。 想象一下，未来的某一天。 你在 点一个 擎出现，用来显示网页（ 的 然后网页中的 戏加载 (的 游戏结束后， 示了你在 汇总游戏成绩的网页 (的 “ 的 句话本身就可以证明：区分浏览器和 时能多可笑。 ） 应用已经数量比较多 ，如何把人和应用进行匹配就变得越来越有价值 应用数量越来越多： 到 2010 年底，苹果 店有约 30 万个应用， 用数量增至 12 万个，诺基亚 用商店应用数量增至 个，而黑莓 用数量也增至 个。 用数量翻了一番，但规模较小的应用商店增长更为惊人。 44%，黑莓应用增长了 268%，诺基亚应用也增长了 258%。 使用者找到应用越来越困难： 1） 有朋友看到我有一个好的应用，问我，如何给他试一试？现在我要么告诉他在那个网址，或者那个商店上有，让朋友之间登录网页或者商店去找，如果在一个商店没有还得到另外的商店去找。当然还有一些显存的办法，通过 者是 件都可以的。后面几张办法是把自己的应用本体传给朋友。 2） 我有一个好的应用如何跟我的朋 友分享？是的啊，现在我们可以使用微博和息，但是我们使用的很好的工具和应用还没有较为便捷的方式来分享。这个事让我有点沮丧。 6 3） 我的朋友或者父母说，你有什么好东西，我也想都装上试一试。现在应该还没有这样的办法。只有是把所有的应用都一个一个抄给他，然后他自己到网站或者商店上去下载安装。可是你知道的，他们对手机 /痴”，那该怎么办？现在是无计可施吧。 4） 如果有好的应用，有什么使用上的感受，好的地方，有需要改善的地方。我很想告诉你（应用的开发者），可 是，我都不知道怎么让你知道。我很无奈。其实我真的想和你交流一下我对你这个创意的一些建议和想法。但是我们人海两茫茫。 5） 还有，就是现在 怎么找到自己喜欢的应用啦？一头茫然了。 6） 还有应用商店，特别是针对 个商店都有什么啊？如何去找到那个商店里面有我要的东西？这个我都觉得有点难，有时候有点瞎猫碰死耗子的意思。 因此，使用人群的扩大和应用的数量的扩大，如何把应用和人配对就变得越来越有价值了。 当然应用和 不是绝对，非 此即彼的 说到移动互联网的未来，是像 样， “桌面 +浏览器 ”，还是以 代表的 “平台 +式，业界各种观察一直扑朔迷离 两家公司， 核心模式都是根据用户使用的移动终端，自动将传统站转化为相应的 本。这种模式倒不新鲜，国内 早就 开始做了，也基本满足了手机用户的网页体验 常规网站的基础上开发 根据移动设备的终端做适配， 4 亿 始人 为 刚刚诞生，将 为到 样不具备意义，因为未来人们都会拥有宽屏幕和全键盘的智能机， 是从交互上革新了手持设备的意义，用户的操作变地非常直接。 相反，积极地在这些平台上开发有价值的应用，才是未来的方向， 对基于地理位置信息的应用表达了浓厚的兴趣。 这里还有一份 研究报告，结论是：对触摸友好的移动网站的数量，远高于各种移动平台的 量，占到 65%。 7 2. 你的 解决 方案？ （ 产品 /服务 。 需要描述你的产品和服务到底是什么，有什么特色，你的产品跟竞争者有什么差异，如果并不特别为什么顾客要买 ） 为了解决应用和人之间的对应问题，有以下几种方案 1） 应用商店 上应用汇，设备商的应用商店 2） 社区论坛和下载网站 机峰和 蚂蚁网、太平洋手机下载网站，手机中国下载网站 3） 搜索 ） 应用推荐和分享 应用商店 商店类型和应用数量众多，搜索方式也很不友好，经常不知道怎么找 要求会查看，会搜索 成熟模式 社区论坛下载网站 需要较强的 力，才知道如何寻找到合适的应用 要求极高的 力 成熟模式 搜索应用 不知道如何输入关键词，关键词匹配成功率和命中率较低 搜索不匹配的问题很让人失望 发展中 推荐和分享 通过朋友的口 碑和网络人员的评价，并与使用者的个人需要进行匹配的推荐模式 朋友推荐解决不知道用什么和从哪里找的的问题 发展中 推荐 +分享 模式 1） 应用自己不能说话：应用是一个不是很好被搜索到的实体，不像网页，不能被解读，需要外部解读能力，所以通过其他使用者和生产者的评价才可以确定应用的使用价值，因此推荐 +分享是最好的推广和获取模式 2） 应用被使用，使用者和生产者都会对好的服务进行宣传和分享的潜在的动力。因此可以借用人对好东西，有分享好的体验的需求， 3） 推荐和分享也是当下互联网服务的潮流的模式。网页分享导致了网页更好，更多的被阅读 。亚马逊的书通过推荐，导致了更多更广的购买。 4） 国外有一些专门做推荐 +分享的服务，也得到了使用者的好评。 摘要 : 在鸟人网商业产品栏目，介绍了 站 之后，今天 ， 布社交媒体 量超越 据统计分析公司 布了这一消息。 ， 有 43% 美国社交媒体流量，而 有 38%总流量，. 8 据最新消息称 “推荐引擎 两周前更新了其，新增了 荐功能。仅仅过了两周，该功能就获得了相当客观的成绩：已经像用户推荐了一百万次应用程序。 荐功能为用户全面推送各种 这里你将找到你所需要的一切。欢迎用户强烈围观！ 考虑到 经有超过 10 万种应用程序，有这样一个很好的 荐引擎是相当有效的。它会根据你手机上已经安装的应用程序，给 你推荐你可能感兴趣的应用程序。而推荐的应用程序的来源不仅是 有互联网上的应用程序。 示，目前有 25%的用户请求是关于应用程序推荐的。另外，自 荐功能发布后， 下载量已经翻倍。 目前，用户使用 现的应用程序排行为： 60 - 果在程序推荐上已领先，但总体来说程序推荐服务仍有改进 空间。 些第三方服务提供商都在试图让发现应用的过程能够更简单和更社交化，不过难度都在增加。 除了发布 序， 在线视频推荐引擎的开发上加大力度 。该服务如今已拥有 1200 万用户，其中约百分之五是手机用户。 序推荐功能推出，这个数字应该会增加 5） 移动应用推荐服务对开发者的帮 助 手机应用的大量涌现，伴生了应用筛选、排名和推荐等各种需求，也带动了 用商店之外的独立应用推荐网站和服务力量的成长。要从如此之众的应用中顺利淘宝，用户从这些官方应用商店转向其他应用搜索工具寻求帮助也就成为必然选择。对终端用户而言，这类第三方应用推荐网站非常管用，有时甚至是很有必要。但对开发商而言，这些网站究竟有无益处，作用又有多大呢？ 为此，我们专门向这类网站的一些高管了解了相关情况。这些网站都有各自的功能设置和排名算法，比如说有些网站给应用排名时，不但会考 虑应用的知名度，媒体曝光率也会统计入列。还有一些则使用综合统计方法，会根据开发商的应用数量和用户评论进行排名。 9 以下是 搜集到的一些应用推荐网站或应用搜索服务工具： Q 该 网 站 可 用 于 搜 索至是基于网页 应用。在这里用户可以找到在新闻或博客上最热门、 最走红的应用，而且还提供用户评论。目前该网站每月有 83 万6000 次的访问量。 网站 联合创始人克里斯 德沃尔（ 我们提供了一些有关应用下载情况的数据 ，从中可以看出，在该网购买广告支持的应用所收获的下载量是一般应用的 28 倍。这也表明，如果要吸引用户关注，拉动下载量，在该网买个广告位和登上该网所评选的 “前 100 名最热门应用 ”排行榜一样有效。 该网站还有其他的一些统计方法： 以 100 为基数，根据关键词排序，相关数据如下： 1. 获得用户关注的应用平均每周浏览次数： 100 2. “前 100 名最热门应用 ”的平均每周浏览次数： 579 3. 购买广告支持的应用平均每周浏览次数： 631 4. 曾获下载的应用平均每周下载次数： 100 5. “前 100 名最热门应用 ”平均每周下载次数： 250 6. 购买广告 支持的应用平均每周下载次数： 2867 网站与雅虎是合作伙伴，主要推荐 用程序，使用的统计算法包括用户评论、 “喜爱 ”（该网站自己的功能，不与 的同名功能混淆） 10 和好友推荐等要素。用户可以追踪查看好友在该网站所下载安装的应用。然后当用户登陆时，该网站会根据用户喜好、用户已安装应用等其他提示性信息，推荐新款应用。 网站 伦 沃姆斯（ 示，该网站每天 10%的用户访问量，都会促进一款应用下载。该网站 的编辑推荐版块所提到的应用最受欢迎，但该版块并不发表用户评论，而是编辑对该应用的特色描述。在该版块中的应用及其他像愤怒鸟这类声名远扬的应用，下载量总比网站上其他产品要多 5 倍。另外，新款应用刚刚在该网站露脸时，也很容易的获得 10 到 15 倍的下载量。 一款以个性化推荐方式搜索 用的引擎工具，发布于今年 1 月份。在应用发行到一定数量时，开发商可通过 速获知用户对相关应用产品的评价。 该网站所推荐的应用都有各自页面，内容包括视频截图、功能描述和 户评价。对这些评价进行整理，积极评价用红心表示，负面评价用破碎的心表示，然后再统计出该应用的总体得分情况，由此判断该产品总体上是积极面明显，还是消极面更占上风。 曾经上过华尔街日报的版面，但不幸的是， 不愿意透露相关数据。 其他网站并不太一样，它不但是一个网站，同时也是一款 用，支持用户搜索和分享强大的应用。该网联合创始人 示， 应用开发商页面每月点击量为 150 万次 （他们称这是意向型应用下载）， “这是关系到应用下载量的唯一要素。 ” 称该网站的长处之一在于，可以在数小时内改变应用在 的排名，该网与 “ 合作就是其中一例，他们将该应用的价格在短时间内调整为零，使应用下载量迅速膨胀。另外一例是该网与 “手，使应用在不到 3 小时内即跻身前 50 名应用排行榜，并在 摄影应用列表中一举夺得亚军。除此之外， 广告服务也非常 出色。 要推荐 网站刚刚卖给新东家，目前正处于转型时期。尽管该网站不像样与雅虎有品牌连襟的优势，但在该网露脸的应用所斩获的下载量也很惊人。 11 该网站的应用搜索引擎，会根据用户已下载的应用，找到用户可能会喜欢的类似产品，然后结合其他用户的对该产品的评价，为用户进行个性化推荐。该网站高管阿什 康威（ 供了今年以来综合浏览量最多的 10 款应用（详见下表），依次是应用名称、综合浏览量（ 下载量（ 付费或免费状态。 1. / /付费 2. / /免费 3. / /付费 4. / /付费 5. / /付费 6. / /付费 7. /付费 8. 品的 / /付费 9. / /付费 10. / /免费 比单纯向主流手机应用商店发售产品更有助于增加下载量。如果通过 样的小型网站也可以收获成千上万的浏览量，那么更大规模的应用推荐网站就更不在话下了。 12 3、 商 业 模式？ （ 市场首先需要界定目标市场在哪里 ，是既有的市尝既有的客户，还是在新的市 场开发新客户。不同的市场不同的客户都有不同的营销方式。在确定目标之后，决定怎样上市、促销、定价等，并且做好预算 ） 应用推荐和分享，本质上帮助使用者和应用建立桥梁。所以，这个功能的核心价值就是流通渠道的价值，如何让商品更好更快的流动到使用者的手上。 为了提升工具的服务价值，增加粘性，还配套开发应用管理功能，从应用服务的管理 +推荐并举的模式来吸引使用者 因此，其主要的目的商业模式就是工具服务免费模式，让使用者免费使用 。 使用量的多少是其成功的标准： 1） 一个方面是使用者： a) 使用智能手机，帮助更好使用应用，体验智能 手机的快乐 i. 手机控的朋友是第一批使用者 手机获得更多帮助的朋友 b) 但是希望获得更多应用服务的使用者。 c) 愿意分享使用体验的使用者 2） 一个方面是应用开发者 a) 应用开发商 b) 服务型应用的开发商 其收益的主要来源于广告和其他的收益 ： 价值主张： a) 免费的基础服务 其广告价值 三个方面的 增值 ： 1） 对 最终用户 的精确分析和喜好程度的估计，达到更准确的投入服务应用 2） 让各种应用都找到合适的主人。 广告客户 投放隐广告 (根据用户正在做什么、所在地理位置，有针对性的 推送服务 13 4、 潜在力量 /技术？ 拥有世界一流的推荐 技术和智能搜索技术，以及对移动互联网服务和应用有深刻理解的团队在运作。 推荐技术 介绍 ： 智能搜索技术介绍： 参考文献： 基于 现自己的推荐引擎 采用基于数据挖掘的算法来实现推荐引擎是各大电子商务网站、 区最为常用的方法，推荐引擎常用的 荐算法及协同过滤算法（ 电子商务推荐系统入门 电子商务推荐系统入门基础 中已经有所阐述 。但从实际应用来看，对于大部分中小型企业来说，要在电子商务系统完整采用以上算法有很大的难度。 1、常用推荐引擎算法问题 1）、相对成熟、完整、现成的开源解决方案较少 粗略分来，目前与数据挖掘及推荐引擎相关的开源项目主要有如下几类： 数据挖掘相关：主要包括 文本挖掘相关：主要包括 ，具体可以参考s 荐引擎相关：主要包括 ，其他包可以参考 索引擎相关： 2）、常用推荐引擎算法相对复杂，入门门槛较低 3）、常用推荐引擎算法性能较低，并不适合海量数据挖掘 14 以上这些包或算法，除了 对成熟外，大部分都还处于学术研究使用，并不能直接应用于互联网大规模的数据挖掘及推荐引擎引擎使用。 2、采用 现推 荐引擎的优势 对很多众多的中小型网站而言，由于开发能力有限，如果有能够集成了搜索、推荐一体化的解决方案，这样的方案肯定大受欢迎。采用 实现推荐引擎具有如下优势： 1）、 门门槛较低，大部分网站的站内搜索都采用了 ）、相对于协同过滤算法， 能较高 3）、 似度计算等相关算法有很多现成方案 在开源的项目中， 者 于推荐引擎是相对完整的方案，尤其是 心利用了 此其架构很值得借鉴。只不过 前功能还不是很完整，直接用其实现电子商务网站的推荐引擎尚不是很成熟。只不过从 现推荐引擎是一种可行方案。 3、采用 现推荐引擎需要解决的核心问题 长 为擅长， 中提供了 以较为容易实现 推荐，但对于涉及用户协同过滤行为的结果（所谓的 前并没有好的解决方案。需要在 内容相似算法中加入用户协同过滤行为对因素，将用户协同过滤行为结果转化为 支持的模型。 4、推荐 引擎的数据源 电子商务网站与推荐引擎相关典型的行为： 购买本商品的顾客还买过 浏览本商品的顾客还看过 浏览更多类似商品 喜欢此商品的人还喜欢 用户对此商品的平均打分 因此基于 现推荐引擎主要要处理如下两大类的数据 1）、内容相似度 例如：商品名称、作者 /译者 /制造商、商品类别、简介、评论、用户标签、系统标签 2）、用户协同行为相似度 例如：打标签、购买商品、点击流、搜索、推荐、收藏、打分、写评论、问答、页面停留时间、所在群组等等 15 5、实现方案 容相似度 基于 现即可。 用户协同行为的处理 1）、用户每一次协同行为都使用 进行索引，每次行为一条记录 2）、索引记录中包含如下重要信息： 商品名、商品 品类别、商品简介、标签等重要特征值、用户关联行为的其他商品的特征元素、商品缩略图地址、协同行为类型（购买、点击、收藏、评分等）、 （各协同行为在 候的权重值） 3）、对评分、收藏、点击等协同行为以商品特征值（标签、标题、概要信息）来表征 4）、不同的协同行为类型（例如购买、评分、点击）设置不同的值 ）、搜索时候采用 法，将用户协同转化为内容相似度 以上方案只是基于 实现推荐引擎最为简单的实现方案，方案的准确度及细化方案以后再细说。 更为精细的实现，可以参考 算法实现来优化。 来源： ？ 推荐引擎利用特殊的信息过滤（ 术，将 不同的内容（例如电影、音乐、书籍、新闻、图片、网页等）推荐给可能感兴趣的用户。通常情况下，推荐引擎的实现是通过将用户的个人喜好与特定的参考特征进行比较，并试图预测用户对一些未评分项目的喜好程度。参考特征的选取可能是从项目本身的信息中提取的，或是基于用户所在的社会或社团环境。 推荐引擎的分类 1. 个性化的推荐根据用户过去在网站的行为进行推荐。 2. 社会化推荐根据类似用户过去在网站的行为进行推荐。 3. 基于产品的推荐基于产品本身的特性进行推荐。 4. 以及上述三种的方法的组合。 16 推荐引擎的开放 业推荐引擎不仅仅用来把数据计算出来，在后期必须充分的利用这些高质量的推荐数据，通过推荐引擎的开放 以在任何需要调用推荐数据的地方使用这些高质量的推荐数据，实现集中计算，分散使用。企业推荐引擎的数据可以扩展到网站的任何一个角落，给互联网客户贴心的用户体验。 推荐引擎的通用算法 (内容过滤主要采用自然语言处 理、人工智能、概率统计和机器学习等技术进行过滤。 基于内容过滤的系统其优点是简单、有效。其缺点是特征提取的能力有限，过分细化，纯基于内容的推荐系统不能为客户发现新的感兴趣的资源 ,只能发现和客户已有兴趣相似的资源。这种方法通常被限制在容易分析内容的商品的推荐，而对于一些较难提取出内容的商品，如音乐 影等就不能产生满意的推荐效果。 （ 与传统文本过滤相比，协同过滤有下列优点 : 1）能够过滤难以进行机器自动基 于内容分析的信息。如艺术品、音乐。 2）能够基于一些复杂的，难以表达的概念（信息质量、品位 )进行过滤。 3）推荐的新颖性。 正因为如此，协同过滤在商业应用上也取得了不错的成绩。 采用了协同过滤的技术来提高服务质量。 缺点是 : 1）用户对商品的评价非常稀疏，这样基于用户的评价所得到的用户间的相似性可能不准确（即稀疏性问题）。 2）随着用户和商品的增多，系统的性能会越来越低（即可扩展性问题）。 3）如果从来没有用户对某一商品加以评价，则这个商品就不可能被推荐（即 最初评价问题）。因此，现在的电子商务推荐系统都采用了几种技术相结合的推荐技术。 推荐引擎的过滤方式 了解内容和用户的特质，送上合适产品的做法，被称为 基于内容的过滤 (的推荐方式 17 图 协同过滤二层推荐模型 以 协同过滤 推荐机制为核心，网站并不需要做出如同 性格 匹配，而只需要了解 用户都在同哪些人进行交往 、 用户加入了哪些组群 、 用户都在看谁的页面 这样的问题，然后根据 物以类聚、人以群分 的思路为用户推荐他的伙伴都感兴趣的事物。 第一代的协同过滤技术，又被称为基于 用户（ 协同过滤。基于用户的协同过滤，基本原理是基于用户行为选择的相关性。 协同过滤的核心问题是寻找与目标用户兴趣相近的一组用户。这种相似用户通常被称为最近邻居（ 用户之间的相似度是通过比较两个用户的行为选择矢量得到的。于是第二代基于内容项（ 协同过滤技术就产生了。与基于用户的技术不同的是，这种方法比较的是内容项与内容项之间的相似度。 法同样需要进行三个步骤获得推荐： 1）得到内容项（ 历史评分数据 。 2）针对内容项进行内容项之间的相似度计算，找到目标内容项的 最近邻居 。 3）产生推荐。这里内容项之间的相似度是通过比较两个内容项上的用户行为选择矢量得到的。基于用户的推荐系统相比，基于内容项的推荐系统最大的改进是更具有扩展性。基于内容项的方法通过计算内容项之间的相似性来代替用户之间的相似性。 不论是第一代的基于用户方法，还是第二代的基于内容项方法，都不可避免的遇到数据稀疏的问题。 18 基于内容和基于协同过滤两种方式的区别 无论从用户还是服务提供者的角度出发，这两种推荐方式都有各自明显的优劣。如果采用 基于 内容的过滤 ，那么在完成内容和用户互相匹配的过程中，就可能出现 越读越窄 、越听越窄 、 越看越窄 的问题，提供的内容完全与用户兴趣点相吻合，而没有发散。 协同过滤 在很大程度上避免了这个问题，但是他需要用户达到一定数量级之后才能发挥出网站创建者预想的效果，这种 网络效应 使得同一市场上的后来者很难找到切入的机会。而用户一旦不能得到 好处 ，可能迅速离去，而来不及提 利他 的后话。 目前流行的实时搜索开始了这方面的研究。 推荐引擎需要面对的问题 因 为核心算法是对历史数据的统计，所以偏爱老数据，而新的变化难于及时体现，所以难于跟上时尚潮流的变化（ of is a 同时原文指出：在变化很快的时尚领域物品推荐方式不太奏效，因为单个物品的特性太多而且随时间变化，所以，社会化推荐也许更有效。 用户每次使用同一个系统（例如， 目的不同，所以推荐算法也许会迷惑。但是，本人认为通过长 时间的采集用户的行为数据，某个用户的消费倾向还是能够把握的，本人使用当当网购物时就体会到它的推荐还是比较贴合我的口味的。 有些物品，在同一个物品身上能够发现不相容的特性，主要在文化基因和个人喜好方面，这类物品很难推荐。 要面对的问题有：原始数据量巨大、需计算的参数很多，因此计算很复杂。个性化数据 这些数据一般都是结构化数据。 基于 究 据称， 35%的页面销售源自于她的推荐引擎。 推荐引擎 ，是一个需要用户一定参与的系统，用户的输入将对推荐的内容起到指导作用；如果指导有方，则会提供更符合个人品味的推荐。 19 她会记录你已在 买的历史、你最近的浏览历史（根据活跃度调整，可拒绝此类跟踪），并需要主动告知引擎你对某些商品的打分（此打分不同于评价，只用于推荐引擎、且对他人不可见），和你已拥有的商品（用于排除这个推荐）。根据这些数据来做出判断 另外， 推荐引擎并不只有这一块内容，在浏览、 品页面都有很多推荐，可以说推荐无处不在。从她的功能点来看，似乎可以分为三块内容：以人为着 眼点、以物为着眼点以购物过程为着眼点。同时还采用了跨类推荐，对不同类的按热度排列。 基于豆瓣的研究 大家可以看这里 。 基于八音盒的研究 八音盒（ 一个基于音乐分享及偏好而建立起来的 务 , 利用多年积研发的推荐引擎， 8帮你找到可能喜欢的音乐，帮你分析出哪 些用户是你的音乐同好 。八音盒通过你推荐、试听、打分、评论音乐的过程，学习你的口味，并依此帮助过滤出你喜欢的音乐。发现音乐的最好途径是通过你的同好。八音盒能够根据你的口味，推荐相似的用户给你。应该说 个性化推荐引擎 音乐八音盒的技术基石。 简单的来说， 8荐音乐的依据有三种： 出推荐。 出推荐。 掘出用户的音乐同好，从而做出推荐。 基于遗传 学的推荐系统 音乐染色体组项目的 推出，目的在于把音乐解析成为最基本的基因组成。它的基本想法是：我们因为音乐的某些特性喜欢音乐那么为什么不能根据音乐的某些相似之处设计出一套推 荐系统呢？这类推荐系统应该属于基于产品的推荐。但具有深刻创新意义的是，产品（音乐产品）的相似性，通过 基因 组成来衡量。 这种 即刻满足感 是很难抗拒的。因为 解音乐相似性背后的因素，它不需要了解用户的好恶，就可以把用户黏住。确实， 要把握用户的口味或记忆但这正是蕴藏在 音乐本身的 了。当然 时并不完美，会播放不对用户口味的音乐。但这很少发生。 基于标签的推荐系统 常简明的推荐系统，它指基于一个基因那就是一个标签。 20 总结到这里，要是有这方面的技术人员交流就好了！ 从 推荐引擎 联网应用的新概念似乎总是层出不穷，然而相对于 2005 年前后中国一下子冒出来的一大批 站和最近几年出现的 云计算 ，此时此刻的互联网业界似乎有点沉闷。人们开始谈论，互联网下一个有趣的事情是什么？ 有一个东西可 能成为未来几年互联网公司的新主攻方向：推荐引擎。 豆瓣网，土豆网和各种视频分享网站，包括博客的流行，在中国都是从 2005 年开始的。今天的年轻人中可能任何两个人过去一天内看过的节目和新闻都完全不同，每个人都能根据自己的兴趣找到特有的一套内容，这就是 力量。对 2005 年的创新公司来说，最重要的革命性思想可能是 2004 年连线杂志主编 出的所谓 长尾 理论 。这个 理论说互联网使得过去几件流行商品通吃的局面一去不返了，现在哪怕是最不流行的东西也会有人喜欢，是小众市场的时代。 互联网的大趋势，甚至可以说是整个社会的一个大趋势，是人们面临的选择越来越多。过去是全国上下看一个电视剧，而现在中国每年生产一万五千集，其中很多甚至根本没有被播出的机会。 1994 年，全美国总共有 50 万种不同的商品出售，而现在仅仅在亚马逊网站上就有超过 240 万种商品。长尾和 是选择越来越多带来的现象。 出长尾的三个法则 ，第一是让所有东西都可以被获得；第二是让这些东西卖的很便宜；第三是帮我找到它。前两点可以说已经做到而且做得很好了，现在的关键是第三点，怎么帮助用户作出选择。这就是推荐引擎的作用了。 据市场分析公司 计，那些在电子商务网站被推荐过商品的用户，有三分之一的人会根据这些推荐买件东西。任何广告都不可能做到这样的成绩。所以推荐引擎不但是 最核心技术，更是广告的终极形式。我们可以设想，当一 个人面对购物网站上几十万种商品，有多大可能没有一件是他愿意买的呢？这个人空手而归的最重要原因，也许是那个他一定会买的商品没有被他发现。 多年以前，我曾经在亚马逊买过一本量子力学，是物理系研究生的教材。结果很长一段时间内亚马逊不停地向我推荐各种物理教材。这个推荐引擎想的非常周到，只可惜它不知道我早就不需要这种教材了。现在在当当网买书，每一本书的关联推荐往往都是一些流行热卖的类似的书，这些书我早就知道而没有买，难道会因为看到推荐才买么？人们需要的是个性化的，恰到好处的，最好还有一点惊喜的推荐，而传统的推荐引 擎太落后了。 在线 借提供商 己有一个算法保密的推荐引擎 据用户对电影的打分来判断他还可能喜欢什么电影。这是一个相当优秀的引擎 如果你想知道 21 喜欢一本书的读者还喜欢什么样的书，亚马逊可以免费告诉你答案，而 电影推荐服务只给付费用户，甚至可以说是一大卖点。但 不满足，它在 2006 年提出悬赏，希望有人能把推荐引擎的性能提高 10%，这 10%的奖金是一百万美元。 这件事充分说明一个好的推荐引擎是多么重要，同时又是多么困难。这笔奖金一 直到2009 年才 被一个七人小组得到 ，其中包括两名 的科学家。 传统的推荐引擎主要根据统计用户记录来发现关联，重点是 买过这本书的人一般还都买了什么书 。这个原理是简单的，它的缺点在于往往推荐的都是一些相似的东西，而且这些东西必须已经有很多人买过了。它无法制造惊喜。这可能也是很多人更愿意逛书店的原因之一，在书店里往往会偶遇一些本来绝对想不到自己会喜欢的，而且不怎 么出名的好书。另一方面，传统的引擎不知道一本书或者一个电影到底好在哪里，为什么人们会喜欢，以至于无法做出更精确的推荐。 但现在有两个新的推荐技术，堪称是推荐引擎 一个专门致力于歌曲推荐的公司， 它的办法是分析歌曲 。在 算法中，给每一首歌都有 400 种不同的属性，聘请一位音乐专家，使用 20 分钟的时间给这首歌的所有可能的属性打分 。这样一来每一首歌都被一组数标记了属性。 目标是建立一个包含所有歌曲的数据库，称之为 音乐基因组计划 。他们每月能分析一万首歌曲，在过去十年之内已经分析了 74 万首。推荐算法的原理是，如果你表示喜欢一首歌，程序会自动寻找跟这首歌的 基因 相同的歌曲，并赌你也会喜欢。 在已经是 最流行的应用之一，随着播放的进行你可以随时表示喜欢或是不喜欢一首歌，程序通过网络自动提供各种你可能喜欢的歌曲。 独特之处在于它完全根据一首歌的本身属性和你自 己的喜好记录来判断你喜不喜欢，而不考虑别人喜不喜欢。显而易见的好处是也许这首歌并不流行，可是你就是喜欢。 了解 歌曲。统计表明，在使用过 人中， 45%买了更多音乐，只有 1%的人因为 少了音乐购买。 而另一个推荐引擎公司， 更大的野心， 它的做法是直接分析人 。 不去分析歌曲，电影或者书有什么属 性，它分析每个用户有什么属性。你喜欢百事可乐还是可口可乐？你喜欢蓝色的笔还是黑色的笔？通过大量的统计分析， 现，如果你相信 在，那么你更有可能喜欢百事可乐；如果你有一个 位，那么你更有可能喜欢蓝色的笔。 现在去 网站 ，它允许你用 者 账号登陆，然后它会问你 20 个看上去与电影和书籍一点关系都没有的问题。这些问题包括你住在城市，郊区还是乡下，你会不会自己安装家庭 影院的音箱系统，你能不能连续做 10 个引体向上，喜欢吃什么样的炸薯条等等。然后根据这些信息，它将会向你 5 本杂志， 5 个电视剧和 5 本书。我很少看电视剧，但它推荐的 5 本杂志中有 2 本是我早就订阅了的；它推荐的 5 本书里有 22 一本是我看过的。它其他的推荐我不怎么感兴趣，但这已经是相当不错的准确度。 雄心壮志是给每一个用户建立一个个人喜好档案，然后那些电子商务公司就会向它购买完全基于个人喜好的推荐服务。 中国显然需要高性能的推荐引擎，而且考虑到国人的喜好