这个就是推荐系统了。 可以看看这个。 https://www.ruby-toolbox.com/categories/Recommendation_Engines

不过千万级，不知道那些能不能处理得了。

有本书 集体智慧编程

#1 楼 @xmonkeycn 谢谢回复，在这里是不能解决问题。@lidashuang 看起来不错！研究一下！

那么大的数据，用最简单的协同过滤就可以做出效果很好的推荐结果。

另外，如果楼主可以提供数据给我玩玩，那就更好了。

推荐你一本书 http://book.douban.com/subject/10769749/

作者我见过本人，在上海举办的第一届推荐系统大会上有过主题分享，而我刚刚好就是那次大会的主持人，获益匪浅。这个作者深入研究了所有知名的关于推荐系统的论文，结合自己的实践，在推荐系统领域算是独树一帜了，有时间的话，我也会好好拜读一下此书。

可以去搜一下 user based 或 item based CF 最好找找相关论文，这里有一篇http://www.stat.osu.edu/~dmsl/Sarwar_2001.pdf 虽然是 01 年的，不过算法是很基本、常用的

#5 楼 @lgn21st 说到推荐算法的书，有本洋书 Programming Collective Intelligence（即 #2 楼 @lidashuang 提到的那本）也值得推荐。你提到的那本我看过介绍，可惜在国外买不到。今天去图灵看了下有电子版的了，立入看到底写得如何。

#8 楼 @ashchan 经过你的提醒，我也马上买了，图灵的电子书好便宜啊。

从《推荐系统实战》中，得知原来这本书的作者还创立了一个推荐系统社区，大家有兴趣的可以去逛逛 http://www.resyschina.com

能不能把数据集借我用用，我做论文啊哈哈。

@jimrokliu ,@ch3n 公司内部数据，不便放出来，不好意思啦；-）。

谢谢大家的帮助，看了点大家推荐的书，很有用，虽然我还没有解决，还是谢谢各位！

#12 楼 @stc 可以构建一个兴趣度模型，这个可以看学术论文，大概就是关键词加权重，然后利用向量模型进行相似度对比，兴趣度还可以按照短期和长期进行分类。然后根据评分向用户推荐。

感觉最牛的推荐系统就是 亚马逊 的推荐系统了。

可以参考 Netflix 之前比赛的算法，如果按你的情况，可以将 不同 url 按访问次数用户组成一个 Matrix，rating 相当于访问次数，其它则是 url，组成一个 matrix，这样就和 Netflix 的 Matrix 差不多，然后用 SVD 分拆，省略部分 column 后，用一个新的用户，对其作 cross product 运算，计算夹角大小，夹角最小的，就是对应口味最相近的用户，找到相近用户后，取其用户的网址就是推荐网址

user_id, url, rating 1, www.google.com, 113 1, www.gmail.com, 110 2, www.ruby-china.com 119 2, www.stackoverflow.com 120

Ruby 版代码在这里

http://www.igvita.com/2007/01/15/svd-recommendation-system-in-ruby/

补充一下楼主，linalg 这个库一直在 Mac 下装不了，如果你成功装了，麻烦告之步骤，谢谢

关注，不知道有没有后续？