Baynote是眾多的推薦技術(shù)提供商之一，也允許它的產(chǎn)品被貿(mào)易公司所使用。正如我們?cè)跇?biāo)題所看到的，Baynote的特點(diǎn)在于它強(qiáng)調(diào)實(shí)時(shí)的用戶(hù)行為分析，這也是它聲稱(chēng) 超越“亞馬遜–第一代推薦引擎”的技術(shù)。到目前為止，我們知道有很多致力于推薦引擎的公司，例如amazon和netflix，他們采用不同的創(chuàng)意和方 法來(lái)搭建推薦引擎。我們和Baynote的創(chuàng)始人兼CEO –Jack Jia進(jìn)行了交流，看看我們大家有什么理由相信Baynote采用的技術(shù)會(huì)超越amazon
Baynote專(zhuān)注于分析當(dāng)前的團(tuán)體行為用來(lái)產(chǎn)生推薦，它故意弱化對(duì)于過(guò)去用戶(hù)行為的分析，比如：page views和購(gòu)買(mǎi)歷史
Baynote公司的定位是對(duì)抗“推薦之王”Amazon（目前大家都這么稱(chēng)呼amazon），Jia在談話(huà)中提到，Amazon是第一代推薦引擎，因?yàn)?它很大程度上仍然依賴(lài)于于協(xié)同過(guò)濾。Jia指出，協(xié)同過(guò)濾太專(zhuān)注于用戶(hù)過(guò)去的數(shù)據(jù)分析，這種方式不足以說(shuō)明用戶(hù)當(dāng)前的形為，而B(niǎo)aynote正在用戶(hù)當(dāng)前 形為方面做一些工作
Jia在談話(huà)中介紹到，Baynote觀察用戶(hù)在網(wǎng)站實(shí)時(shí)的行為，并且希望從中得到隱藏的，自然發(fā)生的形為數(shù)據(jù)。 Baynote用到群體的智慧和相似度引擎（我覺(jué)得翻譯成親和力引擎也許更適當(dāng)一點(diǎn)）來(lái)分析數(shù)據(jù)。這些被用來(lái)分析的公共形為包括網(wǎng)頁(yè)跟蹤，搜索Query，鼠標(biāo)移動(dòng)，在網(wǎng)頁(yè)停留時(shí)間，網(wǎng)頁(yè)瀏覽行為
額外需要注意的是，Baynote對(duì)于page views和購(gòu)買(mǎi)形為沒(méi)有像其它推薦引擎那樣關(guān)注。jia解釋說(shuō)因?yàn)樗麄兛紤]到這兩種方式對(duì)于推薦產(chǎn)品或者內(nèi)容并不是很有用，因?yàn)檫@些數(shù)據(jù)缺少前后的相關(guān) 性，而且不是必須實(shí)時(shí)的。他表示，用戶(hù)的參與，才是衡量哪些方式有意義的價(jià)值點(diǎn)所在。
關(guān)于Baynote是怎么來(lái)定義 communities(我覺(jué)得這個(gè)不要翻譯可能更好理解一點(diǎn)，大體是用戶(hù)群的意思)?；旧?，系統(tǒng)會(huì)把用戶(hù)分成若干個(gè)群和相應(yīng)的子群體。以照相機(jī)為 例，Jia解釋說(shuō)，照相機(jī)可以被分成很多類(lèi)別和子類(lèi)。與之對(duì)應(yīng)的，有一個(gè)nikon相機(jī)的用戶(hù)群，同時(shí)有一個(gè)“高端nikon相機(jī)”的子群體,等等。
什么導(dǎo)致Baynote的個(gè)性化推薦區(qū)別于Amazon？
很明顯，在Baynote網(wǎng)站的表面之下，有一些復(fù)雜的技術(shù)在支持。這些技術(shù)中，包括了Baynote提出的UseRank（顯然是跟風(fēng)google的 PageRank），但是Baynote的UseRank關(guān)注于用戶(hù)在某個(gè)網(wǎng)站的行為（而不是只關(guān)注鏈接）。Baynote已經(jīng)取得了“實(shí)時(shí)的，有前后相 關(guān)性的個(gè)性化技術(shù)”專(zhuān)利。但是，是什么使得這樣的個(gè)性化推薦會(huì)比Amazon的推薦要好呢？
Jia向ReadWriteWeb透露，類(lèi)似 Amazon使用的這種“個(gè)性化個(gè)人資料的方式”，不是Baynote所著重的。Baynote認(rèn)為這種傳統(tǒng)的個(gè)性化方式效果并不好，因?yàn)槟切┓椒ǘ紱](méi)有 重視用戶(hù)的意圖和背景。我們?cè)谇耙黄恼?#8220;關(guān)于推薦系統(tǒng)的五個(gè)問(wèn)題”中有提到一個(gè)例子：你在昨天購(gòu)買(mǎi)了一些商品，并不意味著你今天還想買(mǎi)類(lèi)似的商品（比如 昨天給姐姐買(mǎi)了生日禮物，但今天只是想來(lái)買(mǎi)個(gè)CD給自己聽(tīng)而已）。這就是為什么Jia覺(jué)得需要關(guān)注用戶(hù)實(shí)時(shí)的意圖和背景的原因。Jia也向大家展示了 Disney網(wǎng)上商店如果利用Baynote的技術(shù)向用戶(hù)提供推薦。
比如，用戶(hù)在網(wǎng)站右側(cè)可以看到“您可能也會(huì)喜歡。。。”模塊。大家都會(huì)對(duì)這個(gè)存在疑問(wèn)：“看（買(mǎi)）過(guò)這個(gè)商品的用戶(hù)同樣看（買(mǎi)）過(guò)”，這樣的模塊與 Amazon網(wǎng)站的相同模塊有什么區(qū)別？同時(shí)，大家也想知道有沒(méi)有偏向頂端推薦的情況，因?yàn)榇蟛糠钟脩?hù)自然會(huì)點(diǎn)擊排在最第一位的推薦。Jia向大家強(qiáng) 調(diào)，Baynote是不關(guān)注page view的，他給出較深入解釋是：Baynote更關(guān)注發(fā)生在頁(yè)面上的行為。舉個(gè)例子，如果用戶(hù)點(diǎn)擊了頂端的推薦內(nèi)容，但是馬上又退回了（比如點(diǎn)擊“后退 ”），Baynote推薦引擎會(huì)記錄用戶(hù)這一次拒絕推薦內(nèi)容的行為。但是如果在頁(yè)面上進(jìn)行瀏覽（比如滾動(dòng)頁(yè)面），選中某些內(nèi)容，等等，那么會(huì)認(rèn)為這是一次 有意義的記錄（正向的衡量）。Baynote不僅跟蹤點(diǎn)擊，同時(shí)也跟蹤頁(yè)面形為。這種方式會(huì)使包括Disney在內(nèi)的其它零售網(wǎng)站銷(xiāo)量增長(zhǎng)。
結(jié)論：不要忽視個(gè)性化推薦，它已經(jīng)在發(fā)展
Baynote有大約200個(gè)包括電子商務(wù)，媒體和企業(yè)客戶(hù)，這些客戶(hù)中約有一半屬于B2B范圍。所以它不僅僅適用于零售行業(yè)的推薦。例于：Jia告訴我們摩托羅拉內(nèi)網(wǎng)也是這種推薦產(chǎn)品的用戶(hù)（觀察員工的活躍度、活動(dòng)），它可以用來(lái)推薦內(nèi)容和改進(jìn)搜索體驗(yàn)
Baynote的推薦技術(shù)同樣是“SAAS”。它提供易于安裝的接口，只需提出申請(qǐng)，經(jīng)Baynote確認(rèn)后便可用于任意網(wǎng)站和搜索引擎。
總的來(lái)說(shuō)，Baynote的推薦系統(tǒng)給我們留下了很好的印象。然而，我們也不必堅(jiān)持認(rèn)為這種方式肯定能超越Amazon和richrelevance使用的 類(lèi)似“個(gè)性化個(gè)人資料相關(guān)”的方法。當(dāng)然，我們更不必現(xiàn)在就推翻Amazon為代表的“第一代”推薦技術(shù)。不久，我們會(huì)陸續(xù)介紹那些有活力，積極進(jìn)取的公司，比如richrelevance，他們?cè)趥€(gè)性化推薦領(lǐng)域都有很有意思的創(chuàng)意和方法。
所以，這就像一間裝滿(mǎn)了方法和創(chuàng)意的房子，盡管我們把Baynote的推薦技術(shù)在我們學(xué)習(xí)的基礎(chǔ)提升到了一定的高度。如果你對(duì)Baynote的推薦方法有任何想法，請(qǐng)?jiān)谠u(píng)論中告訴大家。（原文地址 http://www.readwriteweb.com/archives/baynote_recommendation_engine.php）
譯后感：
Collaborative Filtering，直譯成協(xié)同過(guò)濾，是一種基于大量數(shù)據(jù)，從多個(gè)維度進(jìn)行分析，找到相似關(guān)系的方式?，F(xiàn)在很多的地方都在使用這種方法，Amazon的“買(mǎi)這個(gè)的人還買(mǎi)過(guò)”，就是在這種方法的基礎(chǔ)上推廣實(shí)現(xiàn)。
Netflix給能提出優(yōu)化推薦的人很高的獎(jiǎng)金，也導(dǎo)致網(wǎng)上出現(xiàn)了一些更新，更有意思的算法，從朋友那里得到了一份“Combined Collaborative Filtering”，提出了更多的考慮范圍。
看過(guò)“關(guān)于推薦系統(tǒng)的五個(gè)問(wèn)題”和本文，也和朋友討論過(guò)，感覺(jué)兩種方式都很有意義，Collaborative Filtering也許可以嘗試考慮到更多的維度，比如辦公室里有十個(gè)人喜歡劉德華和羅納爾多，第十一人也喜歡劉德華，我們能判斷他也很可能喜歡羅納爾多 嗎？如果是張學(xué)友，我們可能說(shuō)出來(lái)的底氣足一些，畢竟都是娛樂(lè)界的名人，但從娛樂(lè)跨到足球，就遠(yuǎn)了一點(diǎn)。
對(duì)于用戶(hù)群分類(lèi)，對(duì)于商品也分類(lèi)，從兩個(gè)方向同時(shí)去考慮相似度，可能會(huì)更好的解決這個(gè)問(wèn)題。如果再有一種算法能對(duì)于用戶(hù)意圖和背景也進(jìn)行相應(yīng)的分析，可能推薦的效果就會(huì)比較好了，基于當(dāng)前用戶(hù)形 為、意圖的分析，確實(shí)開(kāi)拓了思路和視野，不知道Baynote的算法又復(fù)雜到了什么程度。推薦系統(tǒng)還是一潭很深的水，大家如果有想法，可以一起來(lái)討論討論。
聯(lián)系客服
