在Mahout中没有负偏好值的建议

Question

我有一个问题，关于马赫特的偏好值的含义。在“行动中的马赫特”一书中说：

偏好值可以是任何东西，只要较大的值意味着更强的积极偏好。例如，这些值可能是1到5的等级，其中1表示用户无法忍受的项目，5表示收藏夹。

这是否意味着推荐人总是将较小的值解释为负面偏好(不喜欢)？

我正在尝试创建一个没有负面偏好的推荐。我的意思是我根本没有首选项，但是我可以根据不同的加权指标(点击/编辑的次数、编辑的数量、编辑的方式等等)来导出它们。但是，在我的实现中，当用户编辑了某个页面时，这并不意味着用户不喜欢该页面，而是在一定程度上喜欢它(正如我前面描述的那样，喜欢的频移)。

我试过只使用布尔偏好(likelehood和Tanimoto相似性)，但它们的性能并不好，而且在大多数情况下，它们无法产生推荐(在moore中是50%)。

我想利用数字来获得偏好，这样推荐会更好，但我不确定如何。我尝试过将偏好值从上面的5导出到10，然后每个用户对人工项的偏好值为1(意思是不喜欢它)。然而，我认为这不是一个好方法，因为这意味着每个用户都不喜欢同一个项目。

有没有人更好地知道如何应用一些基于用户和基于项的算法，只有“正”(喜欢)偏好值？

Answer 1

你应该试着：

• 基于hadoop的隐式偏好ParallelALSFactorizationJob
• 或隐式偏好ALSWRFactorizer与SVDRecommender (不是基于hadoop的)(我认为这种非hadoop隐式偏好变量仅在mahout-0.8中可用)，

在这些数字中，您分配给用户对某一项的偏好的数字表明了该关联有多强，而不是评级，因此它们都是积极的关联，只是具有不同的优势。通过这种方式，您可以对不同的交互进行建模，例如视图、编辑、单击等等。尽管分配给每个人的强度会因您的特定业务而有所不同。

这个演示文稿(链接)应该让你对正在发生的事情有一个大致的了解。另外，本文(链接)描述了分解器的隐式反馈变体(它们是相同的，其中之一就是用hadoop进行扩展)。

Answer 2

如果你的意思是，你能得到合理的结果仅仅基于积极的行动，那么当然是的。这是常见的情况。偏好值的解释方式在很大程度上取决于您所使用的算法，但对于任何算法，我不认为用所有正值编码所有正操作都有任何问题。这是个简单的例子。"1“本质上并不是负面评价，不是。

但是，您关于相似性度量的观点与值无关。听起来你的数据很稀少。这是另外一个问题。

其余的我不太明白。您使用的值取决于您的域。我会使他们与他们的“力量”或价值成比例。例如，如果视频查看频率比视频共享高20倍，您可能会使视频共享的值比单击高20倍。这是个不错的开始。