最早是10年聽baidu的一位老師講資訊檢索課程，那一次對離散數學中的“二部圖”的使用場景，有了一個真真切切的認識。然後這個概念一直伴随着自己，到現在，并且在不同場所的聽課中，去詢問個一些講師，貌似都很“吃驚”“不清楚”“沒有做過”。我才知道這就是技術的差距。
應用中，二部圖就是語義推薦使用，系統是搜尋引擎，資料是二部圖結構，參數是“全部海歸的7-8個博士、頂級專業人才”。。。。然後帶着當時的疑惑，來到這裡，四處打聽相關技術，然後慢慢了解了，“曾經這是一家營運公司”“曾經這是一家資料庫公司”
“曾經這家公司都不怎麼用技術的”。。。。
自語語言學+領域學知識+社會學知識構成了“有效推薦”的三大基石。
自語語言初級：分詞、詞性标注
中級：本體、語料
進階：領域、主體的關聯和聚合
領域學：領域熱點、核心、焦點價值、商業模式
社會學：使用者行為、思考、互動等。
然後綜合起來就是，通過自然語言對文本聚類、領域下主體聚合，依賴領域學+社會學的關聯參數。
前面已經基本成熟，而後者成為難點。能做到第一點的已經很少，更别說後者了。
所有這一切的工具扭帶就是搜尋引擎！
想想未來可能就是搜尋+推薦的開發或者平台或者應用，自己已經在搜尋的路上打滾、積累，并介入文本處理，
是時候做更遠的準備了，本體、預料庫、領域結構化、領域屬性。。。
現在開始準備應該不晚吧，盡管從業界講是重複的，但在自己、在自己接觸了解的部門看，至少3年你是不會有
這種kpi、意識、結果的吧。有點誇張可能！----這裡是指一個平台型的、通用的知識庫。
當然，從搜尋廣告那邊看，他們已經有了非常多的工作了。這個可以從www.taobao.com首頁搜寶貝的時候，
輸入關鍵詞，然後在最上面的那個layout裡面就可以看到，對屬性的聚合+關聯的推薦。聚合直接可以通過搜尋
引擎輸出，而關聯的推薦，目前看可能來自：類目關聯性（來自query統計）、關鍵詞關聯性（來自query統計）
、領域屬性（需要知識庫了），類目和關鍵詞的關聯，從抽樣的手機、女裝、水晶
三個關鍵詞來看，效果還是不錯的，至少從展示結果的語義看是這樣的，實際是否促進點選或者成交還不清楚。對領域屬性的關聯推薦，應該通過類目關聯見接的有展現，同類目下的似乎很一般。例如，我搜
諾基亞，展示的結果中似乎并沒有領域的東西，而隻是展示
諾基亞的“屬性”+諾基亞品牌推薦+非諾基亞品牌推薦。是否需要展示，諾基亞充電器、諾基亞售後服務、諾基亞客服中心？諾基亞批發商？諾基亞電池？
公司從不為追求技術而技術，而是需求推動技術，還并且是出現瓶頸的時候，才開始推動下一個解決方案。
從解決問題優先和資源彙回報情況着手，超過3個月的結果，等不及了，更别說半年甚至一年了，或許是浮躁或者這就是it的特征，帶病前行或者發展經濟學，正合當下中國在發展中解決沖突同出一轍！
了解了并知道怎麼做，然後就順順的，面對現實坦然而不驚！
