Question

像许多事情一样，该话题源于沮丧和僵硬的鸡尾酒。这是一个星期六，两个年轻人晚上依旧没有和女生约会。他们坐在一起喝了很多酒，相互分享了很多悲伤的事情，渐渐地这两个哈佛大一新生开始思考一个问题。如果不是依靠随机的机会，而是使用一个电脑算法来发现合适的女孩，这会怎么样？

他们觉得匹配人的关键是创建一组问题。每个人都会在头几次尴尬的约会上寻找一些信息，而这组问题就是为大家提供这样的信息。使用这些问卷进行候选人的匹配，那么没有任何希望的约会就被消灭在萌芽之中。这个过程将是相当有效的。

想法是向波士顿和全国的大学生推销他们的新服务。马上，他们就这么做了。

不久之后，他们建立的数字配对服务取得了巨大的成功。它受到全国媒体的关注，并在后面的几年内生成了数万的匹配。

事实上，这家公司是如此的成功，一家更大的公司为了使用其技术，最终将其收购。

如果你认为我可能在谈论OkCupid，那么你会错了——差不多有40年的误差。我所说的公司是在1965年开始的——当时，匹配的计算是通过IBM 1401大型机上的穿孔卡来实现的。它花了三天时间来运行计算。

奇怪的是，OkCupid和1965年的前辈，Compatibility Research公司，之间是有关联的。Compatibility Research的联合创始人是Jeff Tarr，他的女儿Jennifer Tarr是OkCupid联合创始人Chris Coyne的妻子。世界真的很小。

为什么这些与构建推荐引擎的内容相关？这是因为该系统很可能是第一个推荐引擎。虽然大多数人认为推荐引擎作为工具，是用于寻找和他们喜好紧密相关的产品、音乐和电影，但最原始的应用是找到潜在的伴侣。关于这些系统如何工作，它提供了一个很好的参考框架。

在本章中，我们将探讨不同类型的推荐系统。我们将了解它们的商业化实现，以及内部的工作原理。最后，我们会实现自己的推荐引擎，找到适合的GitHub资料库。

本章将讨论以下主题。

· 协同过滤。

· 基于内容的过滤。

· 混合系统。

· 构建推荐引擎。