machine-learning - 基于配置文件对列表进行排序的推荐规则

Question

我在一个需要呈现一组没有特定顺序的选项的网站上工作。我需要根据正在查看列表的客户对此列表进行排序。我想到通过生成推荐规则并对列表进行排序，将最适合客户喜欢的放在顶部来做到这一点。此外，我认为如果对推荐的信心很高，我可以告诉客户为什么我推荐它，我会很酷。

例如，假设我们有一家冰淇淋店，该店有一个网站，客户可以在其中注册并在线订购。客户信息包含性别、出生日期、地址等基本信息。我的目标是挖掘客户以前的订单以生成格式为的规则

  feature -> flavor

其中特征可以是个人资料中的信息或订单本身中的信息(例如，我们可能会询问您希望服务多少人、他们的年龄等)。然后，我会提取适用于当前客户的规则，并使用列表顶部信心较高的规则。

我的问题是，解决这个问题的最佳标准算法是什么？我在 apriori 方面有一些经验，最初我考虑使用它，但由于我只对 1 个结果感兴趣，所以我现在想也许其他替代方案可能更适合。但无论如何，我对机器学习不太了解，所以我很感激任何帮助和引用。

Answer 1

这是一个推荐问题。

首先，apriori 算法不再是推荐系统的最新技术。 (相关讨论在这里:Using the apriori algorithm for recommendations)。

查看下面的书海量数据集挖掘的第9章推荐系统。这是一个很好的入门教程。

http://infolab.stanford.edu/~ullman/mmds.html

基本上，您有两种不同的方法:基于内容的过滤和协作过滤。后者可以通过基于项目或基于用户的方法来完成。还有一些方法可以组合这些方法以获得更好的推荐。

一些可能有用的进一步阅读:

• 最近关于推荐系统的调查论文: http://arxiv.org/abs/1006.5278

• 亚马逊单品协同过滤:http://www.cs.umd.edu/~samir/498/Amazon-Recommendations.pdf

• 矩阵分解技术:http://research.yahoo4.akadns.net/files/ieeecomputer.pdf

• Netflix 挑战:http://blog.echen.me/2011/10/24/winning-the-netflix-prize-a-summary/

• Google 新闻个性化:http://videolectures.net/google_datar_gnp/

一些相关的 stackoverflow 主题:

• How to create my own recommendation engine?

• Where can I learn about recommendation systems?

• How do I adapt my recommendation engine to cold starts?

• Web page recommender system