Taste()是非常棒的一个推荐系统核心引擎，sf 上可以下载到 Taste 的最新版本。Taste 同时也是 2007 Google Summer of Code 里的一个项目。当初学习推荐系统开发的时候，遍搜网络，这个是我个人找到的最全面最完整的一个开源包。细读代码之后，虽然没有 Lucene 曾经带给我的那种震撼，但也绝对可以称得上是开源世界里的上佳之作！经常有朋友发 Email 希望我介绍一些推荐系统相关的资料，这个是我必然推荐给大家的一个。

下面翻译自 Taste 文档的 Overview 部分。

Taste 是使用 Java 语言开发的一套灵活、快速的协同过滤引擎。他根据用户(Users)对某些项(Items)的偏好(Preferences)，来推断用户对其他一些项的偏好程度。举个例子，一个出售书籍或CD的在线零售商（比如amazon/dangdang/joyo），使用 Taste 引擎，可以方便地依据已有的购物篮数据，为用户推荐他可能感兴趣的书籍或CD。

Taste 提供了丰富的组件集，基于其中的算法，你可以定制出自己的推荐系统。Taste 从设计上就力求能够满足于企业级的要求，效率、可扩展性与灵活性是它的设计目标。它为基于 J2EE 的应用提供了一个标准的 EJB 接口。但 Taste 并不是仅限于 Java 平台。它能够以独立 Server 的形式运行，通过 Web Services 和 HTTP 方式向其它（语言开发的）应用程序提供推荐逻辑。

Taste 的顶级包里抽象出了下面这些核心接口。

DataModel
PreferenceTransform
UserCorrelation and ItemCorrelation
UserNeighborhood
Recommender

在 comp.planetj.taste.impl 命名空间下，有这些接口的实现代码。从这些核心接口开始，你就可以搭建你自己的推荐引擎了。简而言之，这就是 Taste！倾向于学术的，Taste 可以支持 Memory-based（即我之前 blog 里提到的 User-based） 和 Item-based 两种推荐形式，提供了包括 Slope One 在内的一些算法的实验性实现。Taste 目前尚不支持 Model-based 推荐。

2007年6月30日，Taste 发布了其最新的一个版本 1.5.5。在这个版本里面，甚至还包含了针对 Netflix 数据的一个实验包。不得不说，Netflix Prize [1] [2]， 真的是一个双赢的活动！本来，推荐领域已经冷清了有些日子，其中一个很大的原因就是大家做实验的基础只有 GroupLens/EachMovie 这两个数据源，搞来搞去想突破也不容易了。Netflix 公开他的数据，使做 Research 的学者们拿到了宝贵的 big data，终于可以跳出 GroupLens/EachMovie 的框框了。随着基于 Netflix 数据所取得的 最新研究成果不 断出现，无疑会不断促进着推荐技术下一个热潮的到来。与此同时，学者们的积极参与，也使得 Netflix 越来越接近于其追求的推荐准确率，并且，通过媒体的广泛报道，Netflix 也赢得了高知名度和好的口碑。说实在的，用 1M$ 买到如此多最新的技术成果，同时又获得了不小的商业收益，这个买卖真是值了！

去年，我试着给 Taste 的作者发过几次 Email，希望能加入到 Taste 的开发 Team 里，可一直没有收到任何答复。今年年初，在 Google Summer of Code 上又申请了一次，仍然没有回应。始终入不了高人的法眼，说明自己差距还很大啊。要说开源的推荐引擎，Java 下最多，PHP 有个 Vogoo，Python 下零零散散的也能找到一些，唯独 .Net 下基本没有。基于上两方面的原因，我和一个好朋友商量，准备把 Taste 移植到 .Net 平台下。一来通过移植代码，加深自己的理解；二来也算是为 .Net 社区做点儿贡献，哈哈。

我们的项目暂时命名为 Beyond.Thoth，之所以没有叫 Taste.Net，主要是因为我们打算逐步加入自己的一些实现。改名这事儿对 Taste 可能有些不敬，但我们会在代码里面，明显标出对 Taste 的引用。目前核心代码已经移植完毕，正在进行算法的准确性验证和性能调优。资源在这里，目前还是空的，有发布后我会第一时间在 blog 里通知各位朋友。

Beyond.Thoth on sf.net，
Beyond Thoth Group on google，