背景：

作者是ebay研究实验室的Sr. Director & Head. 2005年加入ebay。 加入Ebay之前是a startup focused on multi-attribute fuzzysearch and network CRM的联合创始人。

《Recommender Systems at the Long Tail》是作者对于ebay的推荐系统的一个总结。从宏观的买家，卖家，产品，时间等等维度去阐述ebay的推荐系统。而真正的相关技术在参考文献中。

摘要：

推荐系统组成电子商务网站的核心。在这篇论文中，我们对推荐系统采用一种自上而下的观点，明确挑战和机遇，明确建立电子商务平台的推荐系统的方法。我们用ebay作为范例，这里提供了创新的推荐的机会。经过如此，ebay面临关系高度稀疏的复杂局面。

介绍：

建立电子商务网站的常用方法：基于内容的模型，基于邻居的方法，使用矩阵分解的协同过滤，这些都是建立推荐的非常著名的方法。

从微观经济学上面说，我们可以把商品分为3类，同等的可以替换的，如可乐和百事；作为补充的，如ipod和ipod 面板。

有些购物者非常在意品牌，即使是买补充型产品的时候也会先考虑同品牌的产品。 

ebay的规模：

1亿买家和卖家；1000万商品；30000以上的类目。从数据量上面比较，淘宝网的用户、商品都远远超过ebay了。  

产品维度：

有一些类目是禁止的，如arms，酒精、烟草等。

卖家经常会对产品有一些个性化的描述，以便区别其他卖家并争取更多的曝光量和更好的价格。
对商品有很多分类：用过的，翻新的，珍藏的、坏的。

买家维度：

买家的年龄、性别。

购买力、价格区间是可以分析的。

卖家维度：

卖家的商品在哪些类目。

好评率是否高，发货时间、描述是否属实都是买家经常考虑的条件。

买家和卖家握手：

         买家和卖家的习惯可能不相同。买家搜索词和卖家设置的标题可能不一致。

机遇和挑战：

买家在网站上面要经过很多个时间段。例如：搜索；寻找；观察；重新浏览；出价；购买；为感兴趣的物品买单。这里面的每个阶段，都是推荐系统大有作为的地方。

推荐系统可以利用的信息：query、类目、产品或者物品，甚至卖家和买家信息。

5个W，一个H ：参考

What？

         首页有过去的购买信息，流行的信息，能够吸引用户或者让用户回忆起潜在的购买欲望。

Where?

         不同的上下文有不同的算法。

         不同页面的推荐算法，推荐的过滤条件，甚至检索的数据集合也是不一样的。

When:

         购买的时间窗口。

         衰减因子。

Why：

         给出推荐的原因。购买了还购买，浏览了还浏览，收藏了还收藏等等。

         给出的这些原因都是真实的原因吗？

Who：

         相对于无经验的买家来说，推荐对于一个非常有经验的买家或者卖家来说可能是无用的，甚至是不受欢迎的。

         对于ebay来说，power买家的推荐效果比偶尔的买家效果要差。

         如果把推荐系统看作是有预算限制的，意思是推荐的次数不是越多越好。那么对于某些用户，某些场景，可以不出现推荐。这样对于整体的购买转化率更高。这个太难衡量了吧“？

         抓取合适的买家维度是比较重要的。

How：

         主要介绍矩阵分解。

         user-item矩阵

         query-item矩阵

         item的聚类问题。

         基于内容的推荐可以用于冷启动问题。

         针对突发流行的物品的识别和推荐。

         这篇文章也是neel对自己工作的总结，文章末尾的论文大多数都有他自己的参与。