01-学习 Kuber 的 SocialBadge 好榜样 | 02.技术预研 | Social

简介:

01-学习 Kuber 的 SocialBadge 好榜样

郑昀 20100510 隶属于《02.技术预研》小节

Kuber 是我们做社会化推荐个性化计算的同路人。我和他一直在讨论相关应用和技术。

最近 Kuber 推出了 SocialBadge ,是利用 google social graph api 做的。 
SocialBadge 算是社会化推荐封闭社区的预研 demo 了。有了这个雏形,面向全球 Social 重度用户的个性化推荐计算有了可能。

 

它的页面简单解释

页面展示的数据,基本都是通过页面的 Javascript 解析各种API(json格式的)而来,没有什么后台。

1、 
Reading Stream 异步显示的 google reader shared items/delicious 数据是 javascript 临时从json提取的。比如,通过你输入的邮件地址、Twitter链接、Google帐号等字符串,让Social Graph查询到你的 Google Reader Shared 公开链接,然后由Yahoo! Pipe把它的RSS烧制成json格式。 
2、 
如果你什么都没查到,可能是因为GFW屏蔽了Google,也可能是因为你的输入在Social Graph里查不到数据。 

它的工作原理

首先,它是把 twitter.com/kuber 的字符串提交给 google social graph 的 lookup 方法,如下面的链接: 
http://socialgraph.apis.google.com/lookup?q=twitter.com/kuber&fme=1&jme=1&edi=1&edo=1&pretty=1

得到了一部分 claimed nodes ,然后继续把这些 nodes 构造进 lookup 方法的 URL里,发起第二次请求(这是因为第一次取得的 link 太少,再发一次取得更多链接):

http://socialgraph.apis.google.com/lookup?q=

http://twitter.com/kuber,

http://www.cnblogs.com/kuber,

http://www.feedzshare.com/,

http://friendfeed.com/kuber,

http://www.google.com/profiles/113557210616935738114

&fme=1&jme=1&edi=0&edo=1&pretty=1

(真实链接请点击:http://is.gd/c239A ,有时会被 GFW 重置)(多个 link 可以用逗号分隔提交给Google)

 

像页面上 Kuber 得到了他豆瓣的链接:http://www.douban.com/people/kuber/miniblogs ,这种链接不一定是google profile 里面列的, 但是google profile 肯定是重要的数据源。比如说你的blog里面列出了豆瓣, 也会在Social Graph里面。关键是XFN(XFN,XHTML Friends Network,XHTML社交网络,http://gmpg.org/xfn/ ,是一个通过XHTML标记语言在网页上表示人与人之间的社交关系的方法。)。

“Followings”列表里也不仅仅是Twitter的好友,blog 里面列出来的友情链接也可能。但遗憾的是,Social Graph API尚无法给出Google Profile里呈现的你的关注列表,或者Google Reader里你关注的对象。

Google Social Graph 还会错判某个节点隶属于你,比如搜 twitter.com/zhengyun ,列出的一个 friendfeed 帐号就是错误的、不存在的。我不能说这种误判属于偶然,但如果让你做,你未必能比Google做得更好。

 

如果一度好友少的话

Social Graph还会考虑二度好友。比如说一个 Flickr 用户,在 Flickr 上有朋友,由此连接到这个朋友的twitter好友,即A->B->C。还可以再加入二度好友的 GReader 和 Delicious 。二度好友就是权重低些。二度好友可以根据交流活跃度来算权重。比如说我只有你一个好友, 你经常RT、Reply的人才会算进去。

 

社会化推荐个性化社区的终极目的

我觉得最终目的是提供一个普世的个性化阅读社区。手段可以丰富多彩甚至为各个国家的二度开发者开放接口。比如对于中国大陆,可以加入豆瓣、天涯社区等常用服务的支持。否则如果只是面向 Social 重度使用者提供服务,人群太窄。

目录
相关文章
|
7月前
|
机器学习/深度学习 人工智能 自然语言处理
🔎数据背后的真相大师:AI Prompt助力,揭开市场秘密的神奇面纱
【8月更文挑战第1天】在市场迷雾中寻找关键数据信息?AI Prompt技术通过自然语言指令引导AI执行数据分析任务,结合商业智能,可直观灵活地探索数据。示例代码展示了如何分析竞争对手价格变动及其影响。AI Prompt利用机器学习发现隐藏模式,如消费者偏好变化;通过优化数据处理流程提高分析准确性和效率;其未来前景广泛,有望成为企业决策支持的核心,引领数据分析进入更智能、个性化的时代。掌握AI Prompt即掌握市场成功之钥。
115 2
|
7月前
|
人工智能 开发者 前端开发
【创新·未来】当AI遇见代码:Vaadin Copilot引领Web开发新时代,你准备好了吗?
【8月更文挑战第31天】Vaadin 是一个成熟的 Java Web 应用框架,最新版本 24.4.0 带来了多项更新,包括引入 Vaadin Copilot——一个集成 AI 的开发工具,可实现拖放组件、实时更新源代码等功能。此外,Vaadin 24.4.0 还统一了 Hilla 框架,支持 Flow 和 Hilla 视图混合应用,实现 React 组件与 Java 应用的无缝集成。未来,Vaadin 将继续提升开发者体验和应用性能,整合更多现代 Web 技术,如 Web 组件和 PWA 支持,保持其在企业级应用开发领域的领先地位。
95 0
|
7月前
|
开发者 Java 存储
JSF 与 CDI 携手共进,紧跟技术热点,激发开发者情感共鸣,开启高效开发新征程
【8月更文挑战第31天】JavaServer Faces (JSF) 与 Contexts and Dependency Injection (CDI) 在 Java EE 领域中紧密协作,助力开发者高效构建现代 Web 应用。JSF 凭借其丰富的组件库和页面导航功能受到青睐,而 CDI 则优雅地管理对象生命周期并实现依赖注入。两者结合,不仅简化了复杂企业应用的开发,还实现了松耦合架构,增强了代码的灵活性、可维护性和可扩展性。通过示例展示了如何利用 CDI 将业务服务对象注入 JSF Managed Bean,以及如何在不同页面间共享数据,突显了这一组合的强大功能。
59 0
|
10月前
|
SQL 人工智能 安全
AI 与 Web3 数据行业融合的现状、竞争格局与未来机遇探析(下)Footprint Analytics x Future3 x HashKey Capital 万字研报
GPT的横空出世将全球的目光吸引至大语言模型,各行各业都尝试着利用这个“黑科技”提高工作效率,加速行业发展。
|
机器学习/深度学习 自然语言处理 搜索推荐
SIGIR 2023 | 推荐系统何去何从,经典ID范式要被颠覆?(2)
SIGIR 2023 | 推荐系统何去何从,经典ID范式要被颠覆?
256 0
|
自然语言处理 搜索推荐 算法
SIGIR 2023 | 推荐系统何去何从,经典ID范式要被颠覆?(1)
SIGIR 2023 | 推荐系统何去何从,经典ID范式要被颠覆?
395 0
|
机器学习/深度学习 人工智能 自然语言处理
朱松纯团队新作:让AI「读懂」人类价值观!登上Science Robotics
朱松纯团队新作:让AI「读懂」人类价值观!登上Science Robotics
188 0
|
机器学习/深度学习 存储 人工智能
AI分析手机实现精准扶贫:伯克利研究登上Nature
AI分析手机实现精准扶贫:伯克利研究登上Nature
205 0
|
机器学习/深度学习 人工智能 自然语言处理
AI_News周刊:第六期
3月16日下午,文心一言发布会在百度科技园举行。百度创始人李彦宏介绍,百度在过去十几年间一直在AI研发上持续投入,文心大模型的第一个版本在2019年就发布了,此后每一年都要发布一个新的版本。“全球大厂中百度是第一个发布的”,李彦宏坦承,这段时间不断有人问他为什么现在发布文心一言,百度是否真的准备好了
112 0
|
机器学习/深度学习 人工智能 分布式计算
AI_News周刊:第五期
OpenAI 以比预期低得多的价格发布了 ChatGPT 和 Whisper API,部分原因是为了响应开源 LLM 和竞争对手模型的进步。ChatGPT 可通过 GPT-Turbo 以每 1k 代币 0.002 美元的价格获得,比其达芬奇模型便宜 10 倍(9 月份其价格降低了 3 倍)并且与 OpenAI 较小的居里模型的定价一致(居里估计为7-100 亿个参数对比达芬奇的 1750 亿个参数)。
143 0