找点空闲，找点时间，百忙之中，写篇博文。（刚才 CSDN突然不会自动换行了，只好在WORD里面写了粘贴上来，不过表情什么的，就能省则省了）
废话少说，先来吐槽两句，Joseph A Konstan 自然是很厉害的，虽然我确实不知道他。吐槽基于以下几点：
1、视频没截短，too long ，单个视频略长了。
2、语速太慢，这个还好可以加速。然后，可能是因为课程本质所致，举了很多例子，太过费时。
3、吐槽完毕，回归正题。
第一周的视频中，第一讲讲历史，没字幕，能大致听懂已经让我兴奋异常了，这个笔记难指望了。第二讲讲课程安排，咦，CSDN居然不会自动换行了？没什么可留恋的。第三四讲是配置环境，上一博文已经写了。最后一讲，带我们浏览了亚马逊，然后详细地把亚马逊多个主要（也可能就是全部了）的推荐系统给分析了一遍。
各位看官要问了，那他是怎样分析亚马逊的推荐系统的呢（易中天的声音
）？那还得看第五、第六两讲，所谓磨刀不误砍柴工，不对，所谓庖丁解牛，游刃有余，盖因，盖因，也没啥盖因，就是因为那一头头的牛在他眼中，并不是一个个美女
，而是“未尝见全牛也”，整头牛的结构已经完全印刻在他的潜意识中。所以，让我们来看看，在Konstan 教授眼中，推荐系统这头牛的“结构”是怎样的。
推荐系统分析框架 Analytical Framework of Recommend System
包含8个要素，domain(推荐领域）、purpose（目的）、context（推荐背景）、whose opinions（推荐者）、personalization level（个性化或定制化层次）、privacy and trustworthiness（隐私性和可信度）、interface（接口即入与出）、algorithms（推荐算法）。且看一一道来。
1、推荐领域 domain —— 什么被推荐
易于理解，推荐的是信息、新闻类，产品、厂商类，寻找相似品味的人，还是诸如音乐列表的那么一个序列？前两者常见，后两者亦好理解。
不过，有时会有特殊的性质。
（1）新商品的推荐问题，大家对它都还没有了解，如何推荐，所谓“冷启动”问题。
（2）还有些像食品或音乐此类的物品，是允许重复推荐的，也许是一直爱好，也许换换口味（希望不要太重）。而书本等物品，你多半只会买一次。
2、目的 purpose —— 为什么推荐
不说的话，可能往往只会想到销售这一点。其实有3种：
（1）销售或信息获取。
（2）education of user。咋看之下，education，教育，不可能啊。其实是指像地图公交路线那种的指导或建议。比如，建议你去哪儿、建议什么方式旅游。
（3）围绕被推荐的事物，组建出一个用户的群体，把喜爱这一事物的人们聚在一起。
话说，我在做第一周作业时，选择分析豆瓣的推荐系统，在确定这个目的时，就需要考虑了。看似推荐出来的书或电影或音乐，不应该就是让我去购买、观看的吗？但是，豆瓣本质还是一个web 2.0社交网络。所以，我选了第三条。
3、背景 recommend context
也就是推荐活动发生的一些情况和限制，一是用户当时的活动，二是这个背景会对推荐产生什么样的限制。就比如，刚听完一首《吻别》的你，是想继续听李宗盛的《领悟》呢，还是听春哥的《我的心里只有你没有他（她？）》
。
4、推荐者 whose opinion
可以肯定的是，推荐者的身份、水平make a big difference。是权威的专家教授，徒惹人笑的砖家叫兽呢，还是平平常常的大众，还有就是和你爱好、品味相似的人们。这点，真的很重要。
5、个性化层次 personalized level
是通用的非个性化非定制推荐呢，还是基于统计的有目标群体的推荐呢（很难想像把房地产的传单发给小学生的情形）？
是只针对你当前活动而作出的推荐呢，还是分析你长期记录得到的推荐？
6、隐私和可信度 privacy and trustworthiness
这年头，大家都觉得自己快没隐私了，那推荐系统知不知道我们的隐私呢？它知道我们的个人信息吗？或是需要让每个人有个特定的身份identify吗？另外，我们可以否认它为我们总结的偏好吗？
又有多少可信的呢？会不会有内在的偏见，就像这家店的导购正常情况下不会给你推荐其他店的商品。会不会有恶意的、非真实的操作，比如网络水军（豆瓣上电影还没上映，分数就出来了，高分低分都水军，一个捧一个黑，哪怕出于自愿）。
说到网络水军，那就要考虑推荐者的信誉了。名气大的人总不能信口雌黄、信口开河了吧？也不一定，这年头转发只是一个鼠标轻轻一点的动作。而畅销书不挂上好几个人的名头，作者都不好意思说他在写书。
7、接口 interface
看完视频后，觉得这确实是个很计算机化的说法。也就分成了输入输出。
输入就是，它有没有明确地问你的观点，让你进行评分或评论，还是默默地记录了你的购买或浏览行为（单相思以及聪明的追求都经常这样吧？）。
输出则分几类：
（1）预测，是得到一个特定的评分结果？
（2）推荐，是得到一个或一堆推荐的事物？
（3）过滤，是过滤一列表的搜索项？
另外，输出结果是自然的互动，还是明确地说“我给你推荐如下东东”。
好吧，时间有点晚了。为了身体健康，我现在坚持早睡。剩下第八项推荐算法，正好原视频也在此分成了两个部分，那我就在此结束了。整篇也就是个笔记或者叫翻译的东东，自己的观点、体会很少。望各位大大多多拍砖——帮我把砸过来的砖拍飞。在下会知耻而后勇，啊，不对，会再接再厉，争取多写笔记。哪怕因为懒了，连下一篇都不写了。这种情况也是有可能的。
再说说这个视频之后的作业，就是找个网站，从中找出两个不同的推荐系统，当然需要有算法等多个方面不同，然后根据上述的分析框架，根据这八个要素，写一篇分析报告。
也许会觉得，开发推荐系统为什么要分析这样啰嗦的东西。道理其实也在最开始说的庖丁解牛这故事上了。我也就不多说了。我自己也挺懒的，虽然还是把作业写完了，写英语不容易啊。