我正在尝试使用基于项目的协作过滤来进行产品推荐。根据购买者是否购买了商品,矩阵都是1和0,我使用余弦相似度来识别相似的产品。
在我测试的数据中,有超过2K个产品,其中许多是在不同的时间内可用的。其中一些一直可用,一些过去可用但不再可用,还有一些是最近才可用的。
我注意到,已经存在很长时间的产品往往会与其他已经存在很长时间的产品(流行的、最热门的项目)相匹配。同样,不太受欢迎的项目和长期可用的项目往往会得到好的匹配,也不是很受欢迎。在许多情况下,受欢迎的产品在不受欢迎的产品不受欢迎的时候就可以买到。
http://www.cs.umd.edu/~samir/498/Amazon-Recommendations.pdf这篇关于亚马逊的论文有伪代码,似乎建议在寻找类似于X的商品时只考虑购买了X商品的人(尽管这可能是我的误解)。这在一定程度上纠正了问题,但甚至可能过度纠正问题,因为它忽略了许多可能购买了商品Y而没有购买商品X的人。
有没有人在这些情况下尝试过基于项目的协作过滤,对于如何处理具有不同可用性的产品,您有什么建议吗?
发布于 2015-02-25 01:41:13
我记得我在一些类似的数据集上使用mahout库,并使用了一个推荐器。我最终将领域特定的知识注入到推荐引擎中,如“Mahout in action book”(“注入特定领域的信息”一章)所述。我用'IDRescorer‘类做了类似的事情(参考前面提到的书来理解上下文),它根据你提供的逻辑删除了一些推荐,也可以根据其他一些逻辑提高推荐率。在我的例子中,我只是决定放弃那些不再可用的项目的推荐,而增加那些与特定用户感兴趣的项目相似的推荐(在用户的个人资料中指定)。我相信你可以在你的任务中使用同样的想法。
https://stackoverflow.com/questions/28697588
复制相似问题