地理位置服务社交网站Foursquare即将推出新版服务Foursquare 3.0，据了解，其中包含的推荐功能最令人期待。美国科技博客网站ReadWriteWeb IT评论人马绍尔·基尔帕特里克(Marshall Kirkpatrick)周二撰文指出，由于设计较为复杂，这项功能在技术上也面临着诸多挑战。
以下为文章主要内容：
竞争加剧
地理位置服务社交网站Foursquare将于今天午夜推出新版服务Foursquare 3.0，那些致力于告诉用户闲暇时间做什么的科技公司之间的竞争也将随之加剧。据Foursquare透露，这个版本将包括外界期盼已久的推荐功能。
亚马逊或Netflix推荐电影或其他你可能喜欢的产品是一回事——这潜藏着巨大商机，当你走出家门，自动系统告诉你应该去哪儿，应该光顾现实世界中的哪些场所时，又是另外一回事——这也正是包括谷歌和Facebook在内的许多公司正在努力解决的难题。
在每一个“我应该去哪儿”的问题中，都牵扯到其他重要问题，例如，我该吃什么?我该买什么?我有了闲暇时间和可支配收入时又该做什么?我该在一生当中做些什么有意义的事情?Foursquare希望成为一种能经常为数百万人回答这些问题的服务。
这是一个雄心勃勃的目标，不禁让人想起谷歌寻求回答的问题，“我应该浏览哪些网页才能找到我感兴趣的信息?”虽然互联网的虚拟世界如此之大，但线下世界其实更大、更精彩、更有趣。在线下推荐和网络应用上取胜才是王道。
与网上购物或媒介消费相比，现实世界地理位置推荐在用户采购成本、所需努力以及潜在社交成本方面的风险更高，但回报也更大，如获得生活经验，潜在商业活动等。Foursquare能否向用户提供合适的推荐并发掘这一巨大潜力?
推荐服务诞生
6个月以前，Foursquare首次公开谈论推荐技术实验。3个月前，该公司发布了招聘一名数据专家的信息，分析师认为这位数据专家将负责研发Foursquare的推荐技术。在推出近两年后，Foursquar的用户已接近于750万，用户签到超5亿次。
Foursquare并没有透露为多少场所提供搜索服务，但有人估计这个数字大约为“1000万个酒吧、餐馆、公园、商店等场所”。如果这一数字是准确的，就意味着每个场所平均大约有50个签到。这听起来像是为推荐服务做分析的小型数据集。
Foursquare推荐功能的九大要素：
1.你的历史
2.你朋友的历史
3.对你最喜爱地方的忠诚度
4.你最喜爱的场所种类
5.面向所有用户的热门场所
6.今天是星期几
7.现在是几点
8.场所标签质量
9.某个话题的专业人士说什么
以下是Foursquare对这些数据用途的解释：
想法很简单：告诉我们大家在寻找什么，我们就会帮你在附近找到。这些推荐基于生活中的点点滴滴——你去过的地方，你朋友去过的地方，你对自己最喜欢地方的忠诚度、你喜欢的场所种类、受其他用户欢迎的原因等等。我们甚至会告诉你，为什么我们认为你应该去某个地方(如在朋友中很受欢迎，类似于你最喜爱的地方)。
你会发现这种服务在常用的东西上很有帮助，如“食品”、“咖啡”、“夜生活”(我们为这些搜索提供快速访问)，而当你寻找非常具体的事物时，搜索结果同样会令你大吃一惊，这些具体事情如“80年代的音乐”、“火炉”、“薄饼”、“香肠”和“浪漫”。你提的问题越是随意，得到的结果越是有趣。
除“Explore(探索)”标签之外，你会看到这种思路也开始延伸至“Me”标签。在我们开始摆弄推荐算法时，我们开始看到“专业知识”开始从数据中出来 ——我们可以看到一些朋友去过10英里(约合16公里)内的所有卡拉OK，或是尝遍洛杉矶的所有汉堡店。这些推荐在新的“Me”标签中出来，你可以让朋友们推荐他们最常见的场所。
迄今，Foursquare拥有超过5亿个数据点，而每增加一个签到和推荐，Foursquare的信息量都会更丰富，让你、你的朋友和其他人可以得到更合适的推荐。我们发现，这项服务可以帮你找到附近吃午餐的地方，也可以作为你在第一次去的新城市的向导。这令人对Foursquare新功能充满期待，但俗话说“眼见为实，耳听为虚”，只有用过你才知道好不好。它具有至少9个要素——这是否意味着商家必须处理好这些关系，以便被推荐给更多的Foursquare用户?这一天可能会到来。
技术挑战
鉴于Foursquare拥有这么多组成部分，所以，这项服务将面临工程技术方面的诸多挑战，但由此产生的体验才是最重要的。用户可以马上了解到他们获得的推荐，是他们向往的地方，还是已经知道但并不喜欢的地方。这需要一些技巧才能使用户信服。
约瑟夫·莱辛格(Joseph Reisinger)最近在一篇题为《通用机器学习为何失效》(Why Generic Machine Learning Fails)的博客中写道：“机器学习和体力活还是有区别的，它也不是像EC2那样‘商品化’，更接近于设计而非编码。Netflix Pirze就是一个很好的例证：上次均方根误差(RMSE，Netflix Pirze采用它作为评测的标准)减少10%，不是因为它的泛型算法更强大了，而是由于它在问题的结构方面产生了一些非常巧妙的想法。”
Foursquare团队能否利用这项服务拥有的类型多样的数据，传递一种移动的、基于地理位置的、像游戏一样的社交经验，为用户提供现实世界的地理位置推荐?这种新功能能否让那些曾认为Foursquare没有价值的人转变看法?
谷歌CEO埃里克·施密特(Eric Schmidt)去年夏天说：“我认为大多数人并不希望谷歌回答他们的问题，而是希望谷歌告诉他们接下来该做什么。”谷歌远不是唯一一家致力于解决这个问题的公司。从今晚起，Foursquare 3.0版应该也会开始探索这个问题。(清秋)
{{item.content}}