超越项目到项目的推荐

Question

简单的项目到项目推荐系统是众所周知的，并且经常实现。Slope One algorithm就是一个例子。如果用户还没有给很多项目打分，这是可以的，但是一旦他们打了分，我想提供更细粒度的推荐。让我们以音乐推荐系统为例，因为它们非常流行。如果用户正在观看莫扎特的作品，则可能会给出另一首莫扎特作品或贝多芬的建议。但如果用户对古典音乐进行了多次评分，我们也许能够在这些项目之间建立关联，并看到用户不喜欢人声或某些乐器。我假设这将是一个由两部分组成的过程，第一部分是找到每个用户的评分之间的相关性，第二部分是从这些额外的数据中建立推荐矩阵。所以问题是，他们是否有任何开源的实现或论文可以用于这些步骤中的每一个？

Answer 1

品味可能会有一些有用的东西。它移到了Mahout项目中：

http://taste.sourceforge.net/

一般来说，这个想法是给定用户过去的偏好，你想要预测他们下一步会选择什么并推荐它。您构建了一个机器学习模型，其中的输入是用户过去选择的内容以及每个选择的属性。输出是他们要挑选的项目。您可以通过保留他们的一些选择来创建训练数据，并使用他们的历史记录来预测您保留的数据。

你可以使用很多不同的机器学习模型。决策树很常见。

Answer 2

一个答案是，任何推荐系统都应该具有您所描述的一些属性。最初，推荐并不是那么好，到处都是。随着它学习品味，推荐将来自用户喜欢的区域。

但是，您描述的协作过滤过程从根本上不是试图解决您试图解决的问题。它是基于用户评分的，两首歌的评分并不相似，因为它们是相似的歌曲--它们被相似的评分只是因为相似的人喜欢它们。

你真正需要的是定义你的歌曲-歌曲相似性的概念。它是基于这首歌的发音吗？作曲家？因为听起来这个概念实际上并不是基于评级的。这是你试图解决的问题的80%。

我认为你真正回答的问题是，哪些项目与给定的项目最相似？考虑到你的项目相似性，这是一个比推荐更容易的问题。

除了基于音频的歌曲相似度之外，Mahout可以帮助完成所有这些事情--或者至少为您的解决方案提供一个起点和框架。

Answer 3

我可以想到两种技术：

Resilient Propagation).

• Use使用或其后继者之一(例如Resilient
• version space learning )训练前馈人工神经网络。这从关于用户喜好的最一般和最具体的假设开始，并在集成新示例时缩小范围。您可以使用术语的层次结构来描述概念。

这些方法的共同特征是：

1. 您需要为每个用户提供不同的函数。这在很大程度上排除了有效的数据库查询在搜索recommendations.
2. The函数时可以在用户投票给项目时动态更新。对输入数据进行分类的维度(例如，人声、每分钟节拍、音阶等)对classification.

的质量非常关键(

请注意，这些建议来自基于知识的系统和人工神经网络的大学课程，而不是来自实践经验。