data-mining - 协同过滤 : Ways to determine implicit scores for products for each user?

Question

在实现了一种算法来推荐产品并取得一些成功之后，我现在正在寻找计算该算法初始输入数据的方法。

我的目标是为用户有某种历史记录的每个产品计算一个分数。

我目前收集的数据:

用户订单历史

匿名和注册用户的产品浏览历史记录

所有这些数据都带有时间戳。

我在找什么

有几件事我正在寻找建议，理想情况下，应该更多地讨论这个问题，而不是针对单一的“正确”答案。

我可以为用户收集的任何可以直接暗示对产品感兴趣的其他数据

将此数据转换为每个产品的分数的算法/方程

我不是在寻找什么

为了避免这个问题因错误的答案而出轨，一旦我为每个用户提供了这些数据，我就会这样做:

使用 k-means 聚类算法生成多个用户集群(目前为 21 个)，使用 pearsons 系数作为距离分数

对于每个用户(按需)，通过在他们的集群中寻找他们最相似和最不相似的用户来计算他们的相似用户图，并重复任意深度。

根据用户图表中其他用户的偏好计算每个产品的分数

对分数进行排序以返回推荐列表

基本上，我不是在寻找关于在获得输入数据后该怎么做的想法(稍后我可能需要进一步的帮助，但这不是这个问题的重点)，只是关于如何生成此输入数据的想法第一名

Answer 1

这是一个回应的干草机:

花在看产品上的时间

对产品留下的评论的语义解释

制作关于产品、品牌或产品类别的讨论页面，并从语义上解释评论

如果他们分享了产品页面(电子邮件、del.icio.us 等)

浏览器(与笔记本电脑相比，移动设备可能使他们在页面上花费的时间更少，同时表现出极大的兴趣)和连接速度(影响在页面上花费的时间)

facebook 个人资料相似度

热图数据(例如 à lakismetrics)

你销售什么样的产品？这可能有助于我们更好地回答您。 (由于这是一个老问题，我正在向@Andrew Ingram 和其他任何有相同问题并通过搜索找到此主题的人提出意见。)