067 | 基于隐变量的模型之二：基于回归的矩阵分解

本周我们主要来分享“矩阵分解”的点点滴滴，这是过去 10 年里推荐系统中最流行的一类模型。周一我们讨论了这类方法中最基础的基于隐变量的矩阵分解。这类模型的优势是显式地对用户和物品信息中的隐含结构进行建模，从而能够挖掘更加深层次的用户和物品关系。矩阵分解的流行起源于 10 年前的 Netflix 大赛，当时各类矩阵分解模型都在实际数据中起到了很好的效果。

用亚马逊创始人贝佐斯自己的话形容，亚马逊领导力准则是这家公司取得如此辉煌成就的基石。认真学习这些领导力准则，不但有助于理解亚马逊的企业文化，也可以帮助我们分析亚马逊如何取得了这样举世瞩目的成就。

068 | 基于隐变量的模型之三：分解机

周三我们分享了“基于回归的隐变量模型”，这是在基本的矩阵分解基础上衍生出来的一类模型。这种模型把显式特性和隐变量结合起来，对解决“冷启动”问题有一定作用。

在美国，亚马逊主要作为一个电商和云计算厂商为大家所熟知。这种印象最近两年因为一款智能音箱 Echo 的横空出世，得到了极大的改观，大家发现：原来亚马逊也很擅长制造硬件。

069 | 高级推荐模型之一：张量分解模型

上周我们分享了推荐系统中矩阵分解的点点滴滴，简单复习一下讨论过的三个模型。

第一，“基于隐变量的矩阵分解”，其优势是显式地对用户和物品信息中的隐含结构进行建模，从而能够挖掘更加深层次的用户和物品关系。

Fire Phone 惜败，Echo 获得契机

智能音箱 Echo 是一个自 2011 年起就一直存在的研发项目，但是优先级一直很低。Fire Phone 作为硬件研发团队 Lab126 的重点研发项目却最终惨败，让亚马逊的 Lab126 士气低迷。

070 | 高级推荐模型之二：协同矩阵分解

周一我们讨论了“张量分解”模型。这种模型的特点是能够把不同的上下文当作新的维度，放进一个张量中进行建模。虽然张量分解是矩阵分解在概念上的一种直觉扩展，但其在现实建模的过程中有很大难度，最大的问题就是张量分解的求解过程相对比较复杂，不同的分解方法又带来不同的建模选择。

作为智能音箱核心功能的语音交互，或者更通俗的说是“语音助手”，对 Echo 来说是最重要的一个模块。在 Lab126 研发音箱的早期，Echo 既是音箱的代名词，也是语音助手的代名词。由此可见，语音助手并非一开始就作为独立模块存在。

071 | 高级推荐模型之三：优化复杂目标函数

周三我们讨论了协同矩阵分解，其主要思想就是解决多个两两关系的矩阵分解，并且希望能够建立隐变量之间的共享。

今天，我们来看一个稍微不一样的话题，那就是如何优化更加复杂的目标函数。

通过先发优势，亚马逊在智能音箱领域表现非常强劲，获得了近 80% 的市场占有率。在智能音箱诞生的最初两年里，尽管亚马逊一直在发力，其他公司却一直悄无声息，难道是因为智能音箱的研发比较困难？无论如何，这让亚马逊的先发优势持续了两年时间。