协作推荐还是结构化推荐？

Question

我正在开发一个Rails应用程序，向学生推荐导师，反之亦然。我需要根据他们的专业(数学、生物学等)、经验(初中等)、班级(数学201等)、偏好(自我描述的关键词)和评分等多个维度进行匹配。

我检查了一些Rails协作推荐引擎(推荐的、重新推荐的)和Mahout。在我的情况下，协作推荐似乎不是最好的选择，因为我有更多的结构化数据，这允许更结构化的查询。例如，我可以为学生提供如下推荐逻辑：

if student looks for a Math tutor in Math 201:
  if there's a tutor in Math major offering tutoring in Math 201 then return
  else if there's a tutor in Math major then sort by experience then return
  else if there's a tutor in quantitative major then sort by experience then return
  ...

我的问题是：

1. 考虑到我的推荐系统将基于偏好，协作推荐算法的好处是什么？
2. 如果它确实提供了很大的好处，我如何才能将它与上面提到的基于偏好的建议结合起来？
3. 因为我的方法将涉及多个表的查询，所以它可能没有效率。我该怎么办？

非常感谢。

Answer 1

听起来，您对兼容性的度量可能会被重新定义为指标。您应该做的是尝试将您的“列”解释为数据维度的不同组件。其思想是，您最终应该生成一个二进制函数，它返回学生和导师(以及学生/学生和导师/导师)之间兼容性的度量。将此度量扩展到所有类型数据的动机是，您可以使用这个想法将匹配条件重新定义为最近邻搜索：

搜索

由于这一问题已经得到了很好的研究，因此有大量的数据结构和解决方案。例如，您可以尝试以下库，它经常与点云数据一起使用：

http://www.cs.umd.edu/~mount/ANN/

要对数据集进行优化，还可以尝试通过对数据集运行主组件分析来对数据进行预筛选。这将使您减少空间的维数，在其中进行最近的邻居搜索，通常有额外的好处，减少一定量的噪音。

分析

祝好运!

Answer 2

就我个人而言，我认为协作过滤(cf)会对你很好。请注意，cf的核心思想是意外发现。换句话说，增加太多的约束可能会给用户带来不温不火的建议。cf的主要目的是基于相似的用户提供令人兴奋的相关建议。你不必施加如此严格的限制。

如果您可能决定实现定制的cf算法，我建议阅读由Amazon发布的这篇文章，其中讨论了亚马逊的推荐系统。简单地说，他们使用的算法如下：

for each item I1
    for each customer C who bought I1
        for each I2 bought by a customer
            record purchase C{I1, I2}
    for each item I2
        calculate sim(I1, I2) 
        //this could use your own similarity measure, e.g., cosine based
        //similarity, sim(A, B) = cos(A, B) = (A . B) / (|A| |B|) where A
        //and B are vectors(items, or courses in your case) and the dimensions
        //are customers
return table

请注意，此表的创建将脱机完成。在线算法将很快返回建议。显然，推荐质量很好。

无论如何，如果您想对cf有一个更好的了解(例如，各种cf策略)，以及为什么它可能适合您，请阅读这篇文章(别担心，它非常可读的)。实现简单的cf推荐并不困难。可以在以后进行优化。