最近在做一个推荐的任务，头绪繁多，回头看看同行的工作，希望能有些帮助。
零零碎碎看过好多资料，有些已经忘记了，会慢慢补全。
视频类
Netflix: 很多方法的融合。可以参考我翻译的blog。
Hulu: 主要是item based CF。参考官方博客上的文章。
Youtube: 开始是random walk，后来改为类似item based CF的方法。这是他们算法团队发表的论文，以及recsyschina上的点评， 豆瓣阿稳的点评。
图书类
Amazon：好多方法都用了，主要是 item based CF。参考Greg Linden的论文。这里讨论了一下其推荐系统的有效性。另外，这篇博客有一个简要的讨论，包含pandora的推荐方法。
资讯类
google news：用了CF和bayesian的方法。CF论文，bayesian论文。
digg: 算法是 热门度+topic driven user based CF。官方博客找不到了，算法说明在这里，以及项亮大神的点评。
zite: 可以参考这里。
音乐类
last.fm：用的是CF。参考这里。
yahoo music：参考Koren的论文。
pandora: 音乐基因项目，主要依赖专家标注。参考这里，和这里，以及一篇对比的文章。
社交类
facebook: 算法叫Edgerank， 参考这里。
twitter：主要场景是推荐其它用户。参考官方介绍，以及这里。
linkedin: 负责人是Christian Posse，他们刚发表了一篇论文：“Mohammad Amin, Baoshi Yan, Sripad Sriram, Anmol Bhasin and Christian Posse: Social Referral: Leveraging network connections to deliver recommendations”。以及这里。
综合推荐
stumbleupon: 参考这里，网页上的图打不开了，放在下面。还有一篇综述的文章。
最后，搜集了一些关于推荐系统的文章。
比较杂的：相关性时代，推荐系统的机会，推荐系统的挑战，无处不在的推荐，推荐系统微观点
几篇阿稳大神的：推荐算法与推荐产品，集体智慧vs专家智慧，推荐算法vs过滤系统