基于参数的推荐的最佳机器学习解决方案

Question

我正在寻找能够帮助我为现有数据库推荐最佳匹配记录的解决方案。我考虑使用机器学习来完成这项任务。

我有一组描述电影用户选择的数据： 电影，年龄，性别，movie_rating（0-10）（将来会有更多参数）

那么我想要的是一个解决方案，帮助我找到参数最佳的电影推荐。因此输入将是用户： 20岁，男，电影评分8 +

我的结果是我想收到这个参数的最佳匹配电影。

我正在考虑决定森林回归，但也许还有其他方法可以做到这一点。

Answer 1

您的问题没有直接的算法，因为您添加了多个功能，如年龄，性别，评级等。为了实现您的目标，您可以使用多个低秩矩阵分解算法（如SVD或ALS）来查找缺失值对于一个矩阵（协作过滤）。然后你需要应用分类算法来分类8岁以上的评级电影，年龄（20 +），性别（男性）并取其交叉点。

Answer 2

这样做的一种方法是使用matrix factorization来查找矩阵的缺失值。对于您的问题，许多用户将无法获得数据库中许多电影的电影评级。因此，您可以使用矩阵分解来填充（近似）该矩阵，然后根据给予不同电影的分数，向用户推荐电影。

Answer 3

为方便起见，只需使用朴素贝叶斯。它可以让你在测试中获得80％以上的准确率，对于像电影推荐这样的东西，它不能在100％的准确度下测试。