用于书店应用的推荐系统

Question

嘿，我正在学习一些像Amazon.com这样的网站上使用的推荐算法。所以我有一个简单的java (spring hibernate postgres)书店应用程序，在book中有title、category、tag和author属性。为了简单起见，书中没有任何内容。一本书必须通过书名、类别、作者和标签来识别。对于登录到该应用程序的每个用户，我应该能够推荐一些书籍。每个用户都可以查看一本书，将它们添加到购物车中，并随时购买。因此，在数据库中，我存储了每个用户查看一本书的次数、购物车中的书以及用户购买的书。目前没有评级选项，但也可以添加。

那么，谁能告诉我，我可以用什么算法来为每个用户演示一些书籍推荐？我想让它变得非常简单。这不是一个出售的项目，但只是为了扩大我对推荐算法的知识。因此，假设总共只有30本书(5个类别，每个类别6本书)。如果有人能告诉我应该用什么属性来计算两个用户之间的相似度，以及如何使用推荐的算法，那将是非常有帮助的。

提前谢谢。SerotoninChase。

Answer 1

作为一个特定的具体示例，一个选项是“最近K个邻居”算法。

为了简单起见，假设您只有10本书，并且您只跟踪每个用户查看每本书的次数。然后，对于每个用户，您可能有一个数组int timesViewed[10]，其中timesViewed[i]的值是用户查看书号i的次数。

然后，您可以使用相关函数(例如Pearson correlation )将该用户与所有其他用户进行比较。计算当前用户c和另一个用户o之间的相关性，得到一个介于-1.0和1.0之间的值，其中-1.0表示“此用户c与其他用户o完全相反”，1.0表示“此用户c与其他用户o相同”。

如果计算c和每个其他用户之间的相关性，就会得到一个结果列表，显示该用户的查看模式与每个其他用户的查看模式有多相似。然后，您选择最相似的结果(例如5、10、20) (因此算法得名)，即相关分数最接近1.0的K用户。

现在，您可以对这些用户的每个timesViewed数组进行加权平均。例如，我们将假设averageTimesViewed[0]是这K个用户中每个用户的timesViewed[0]的平均值，通过他们的相关性得分进行加权。然后对每个averageTimesViewed[i]执行相同的操作。

现在您有了一个数组averageTimesViewed，粗略地说，它包含与c具有最相似浏览模式的K个用户浏览每本书的平均次数。推荐averageTimesViewed得分最高的书，因为这是其他用户最感兴趣的书。

通常情况下，将用户已经看过的书排除在推荐之外也是值得的，但在计算相似度/相关性时，将这些书考虑在内仍然很重要。

还要注意，这可以简单地扩展到考虑其他数据(如购物车列表等)。此外，如果需要，您可以选择所有用户(例如，K =用户数)，但这并不总是产生有意义的结果，而且通常选择一个合理的较小K就足以获得良好的结果，并且计算速度更快。

Answer 2

你可以在here上找到所有的信息和常用算法的实现(品味框架)库。

除了其他发帖人的建议之外，我还可以推荐另一本书《Collective Intelligence in Action》

Answer 3

阅读“集体智能编程”。它会让你尝到它的滋味，还有更多。