recommendation-engine - 编写一个基本的推荐引擎

Question

关闭。这个问题需要更多focused .它目前不接受答案。












想改善这个问题吗？更新问题，使其仅关注一个问题 editing this post .

6年前关闭。




Improve this question




我希望编写一个基本的推荐引擎，它将获取并存储数字 ID 列表(与书籍相关)，将这些 ID 与具有大量相同 ID 的其他用户进行比较，并根据这些发现推荐其他书籍。

经过一番谷歌搜索，我找到了 this article ，它讨论了 Slope One 算法的实现，但似乎依赖于用户对正在比较的项目进行评分。理想情况下，我希望在不需要用户提供评级的情况下实现这一目标。我假设如果用户在他们的收藏中有这本书，他们会喜欢它。

虽然让我惊讶的是我可以为每本书默认 10 分，但我想知道是否可以使用更有效的算法。理想情况下，我想即时计算这些建议(避免批量计算)。任何建议将不胜感激。

Answer 1

您的任务的基本算法是 collaborative memory-based推荐系统。这很容易实现，尤其是当您的项目(在您的案例簿中)只有 ID 而没有其他功能时。

但是，正如您已经说过的，您需要用户对项目进行某种评级。但是不要把评分想成 1 到 5 星，而更像是 0(未读书籍)和 1(已读书籍)之类的二元选择，或者感兴趣或不感兴趣。

然后使用合适的 distance measure要计算所有用户(以及他们的项目集)和您自己之间的差异，请选择与您自己(无论活跃用户是谁)最相似的 n 个用户，然后挑选出您尚未评级(或考虑过，选择 0)的项目.

我认为在这种情况下，一个好的距离度量是 1 范数距离，有时也称为曼哈顿距离。但在这一点上，您必须对数据集进行试验以获得最佳结果。

不错的简介 与此主题相关的是 Breese 等人的论文，协作过滤预测算法的实证分析。可用 here (PDF)。对于研究论文，它很容易阅读。