有这么一个网站，蛮有意思的：Hunch 。
zhengyun@ju690 20100308 综合网络资料汇编而成：
有趣在于成功地利用了群体智慧
『第一步，在Hunch这个网站，不必做什么事，它就是一直问网友问题，然后网友一直解答。
在每个解答之后，Hunch就告诉你，有百分之多少的人和你回答一样的结果，用这个方式来引诱你回答更多的问题。回答之后，Hunch就更认识你，也收集更多「像你这样的人」的喜好与决定。这些喜好与决定，告诉很多其他的事。』
『第二步，变成你可以从Hunch找到答案。它不必干什么事，只要把「你」和其他和类似你的人的答案相比对，就大概知道你「应该」会怎么回答其他的问题，全世界上的问题，Hunch都可以代你回答了。
它的智慧来自于众人，而众人的智慧绝对比一个人还大。』（from mr6）
可以认为这是一个理想的自动问答机器，利用协同过滤原理和语义技术，同时又有人工编辑审核问题和答案保证机器学习的质量。
跑题一下：Akinator
去年年初特火的Akinator也是一个决策机游戏，它让你心中默想一个东西，然后通过问你几个问题，最终猜出这个东西是谁。
同事评价道：『
很明显是用决策树就可以完成的，而且非常有可能是用的决策树，因为他的问题答案都是离散值的，这个比较适合决策树来搞。
另外一个证明：你先后猜测毛主席，江总书记，邓总设计师，会发现他提问顺序基本类似，这也说明很可能是决策树，越是相似的人物其走的路径分支越相像，从这点看很像决策树。
完全可以搞个中文的这个游戏，做起来其实很简单。首先列出一个属性列表（性别，活着否，演艺人士否，etc)，然后根据人名填写属性（相当于训练过程），比如： 谁谁谁 男性 去世了 非演艺人士 政治人物 国家元首......
然后构建一个决策树就可以work啦。
』
回到Hunch
Hunch最后如何帮你决策？『举个例子，你不知道应不应该搬去和你女友一起住吗？ Hunch就会再问你，「你们一起约会多久了？」「如果你们关系变差了，你还有钱可以搬出去住吗？」你回答这些问题后，Hunch应该就会去资料库找，看看有谁回答过这些问题，当时应该也有问他们「最后的决定」，如果你是属于A型，那最后的决定是不要搬进去，Hunch就会建议你：「不要搬进去」。』（from mr6）
之所以能做到广泛领域内（理性的、感性的）的自动问答，它的第一个基础是：
『Hunch在开站前，只找来4万名回答者，这个数字没了不起，了不起的是，这4万名使用者，竟然已经回答了总共700万个问题，平均每个使用者回答了175个问题！』（from mr6）这得多大的家业才能办到啊。也就是大学研究机构利用校园资源可以轻松积累到。
第二个基础是产品设计得引你不断地回答问题，并主动安排好训练材料。
有了大数据量虽未必都精准的回答和知识结构，Hunch便有了运算的基础，更进一步，引导你一步一步走向决定，一个很棒的「Decision Engine」就这么work了。
参考资源：
1、Hunch收集全球智慧帮人解答问题，并有平均每人浏览175页之潜力？
2、Hunch Launches Monday - But It Already Knows All About You
3、Hunch: A Cure for Indecision?
4、
Linkc在Resys写道：
『
hunch的前身是MIT 的一个机器学习项目，旨在收集知识与经验，并将之充分加以利用。在使用hunch的这段时间里，我对他独特的协作机制很感兴趣。
功能
hunch可操作的单元有topic，question，result，目的是让用户通过回答question，找到某些 result。与wikipedia类似，hunch也分为贡献用户和浏览用户。贡献用户写一个topic，topic是整个网站的组织核心，以一个疑问句的形式表现。
如Which city should I visit in China ? 并且在这个topic下写几个question和result，最后建立二者之间的关系。这样，当某个用户想来中国旅行，面对数百个城市茫然失措时，就可以计入这个topic，点几下鼠标，回答几个问题，系统就会推荐一些result。
协作
当一个topic发布后，除了问题本身只有贡献者可以编辑外，任何用户都可以为topic贡献question和result，并且，用户浏览和回答的历史也会被记录在案，作为训练算法的数据（这个下面具体说）。与wiki和Q&A类的应用不同，hunch的操作被简化到了极致。result的摘要会自动从wikipedia里面取，图标自动在网上搜索，轻点几下鼠标，一个完美的topic就完成了。where should I go in
Beijing? 是我今早发布的，用了大概半小时，包含5个question和31个result。
上面提到，用户还可以完善topic。如修正result对应的answer，顶或踩某个result，这些动作都被视作用户的贡献，在我们看来微不足道，但积累到一定量级，就能凸显出统计学和社会学上的意义。
算法（这里说得不准确）
hunch有两层算法。首先是"自问自答"的机制带来了格式化的数据。topic用来定位用户兴趣，几种question和answer的组合筛选出适合的result。
贡献者可以定义某个result对应question里面的哪个（或哪几个）answer，当用户选择了不同的answer后，就会按一定算法对result进行排序。比如这个where should I go in Beijing?，我回答想来北京看古迹，我对古建筑感兴趣而且不想出城，系统就会推荐给我故宫，前门和国子监。但是简单的算法只能筛选出所有可能的result，并不能保证排序是最优的。这样就引出了第二层算法，数理统计模型。和豆瓣的评分、SE的点击调权类似，当用户回答完毕，将有机会为各个result投票，这样通过统计方法，对结果进行排序，不断训练程序。
运营
hunch遵循"宁缺勿滥"的运营方式，一个topic刚刚被创建是不会被公开发布的，只会放到作者的 workplace里面。只有topic下有一定数量的question和result，并且被足够多的用户"训练"过后，才会发布到公共频道。编辑的审核也非常严格，我写了一个"如何挑选NDS游戏"的topic，被编辑删除了，建议我合并到"电子游戏选购"这个topic下。可见，hunch希望每一个topic都是有用的，鼓励用户不断完善内容。
hunch的徽章系统很有特色，分别是里程碑，特殊角色，训练相关，个性化。具体请参考
* 里程碑：的到100、500、1000、5000......个积分。
* 特殊角色：建筑师、发明家、哲学家、批评家......以评价为评判对象。
* 训练相关：教师、讲师、演讲者、教授，以训练数据为评判对象，鼓励用户训练程序算法。
* 个性化：为浏览用户而设。
细节
完成一个topic的全过程都是ajax形式进行的，体验很流畅，让贡献内容变得很轻松。为了确保数据质量，hunch还有很多小细节值得借鉴。如，某topic有一个result叫summer palace，我不小心再一次输入summer palace，系统提示我"有一个相同的result"，改为输入"old summer palace"，提示我"您的意思是不是summer palace？"。还有很多类似的小细节，大家可以亲身体验一下。
』
Linkc继续在Resys写道：
『
hunch的用户协作分为两块，一块是topic的构建和result的选定，这部分对用户来说成本还是挺高的，如其中必要的一部是让用户为
result添加描述，hunch可以直接调用wikipedia的内容，但在国内还没有一家能够提供丰富且结构适合的内容（互动百科和百度百科都不行），协作的人数可能也就是5%。
另一块是让用户回答几个问题，然后给出答案，对于大多数用户来说还是可行的。
在国内推出这样的服务有几条路可走：
1、走细分，电影（豆瓣），音乐（豆瓣或taste），其实都可以算是某种决策引擎；
2、运营上调整一下，每天只推出三个问题，先由编辑引导完善，通过这种方式积累内容，宁缺勿滥，让用户"10%贡献，30%分享，60%发现"；
3、走娱乐路线，类似于http://en.akinator.com/ 和20Q，但到最后也只是个小游戏
个人比较倾向于第二种路线，初始的用户团队和内容质量把控好了，还是能有所作为的。
盈利方面有几种：
1、决策结果中加广告，告诉用户，"这个是广告，但也是一种选择"；
2、专题topic合作，如topic"聚德华天：北京入夏吃什么最好？"，得到的结果都会对应一个餐馆的广告；
3、显示相关问答结果，与百度知道等Q&A网站合作，在result页面展示相关的问答结果。感觉百度知道做这个比较好，用户契合，有忠实用户，不差人，不差钱。
hunch改版了。
首先，result不是一系列问题回答完了再出现的，而是随着问题变化，这样做提高了用户评论result的概率（也有可能是因为很多用户没有耐心回答完所有问题而做的妥协）
其次，社区元素加入了很多，在profile页面强化了好友关系和状态，同时推出service，开始支持第三方社区。
当前的 hunch像一个用问题和答案串联起来的大社区，根据之前对问答网站的调研（样本数500），大概40%的问题是寻求抉择（该买哪款相机），20%是open question（如心情不好怎么办？），40%是需要大段语言描述的答案。
如果把hunch复制过来，做好产品本地化，让国内市场接受，还是很有前景的。
』