我对Mahout中偏好值的含义有疑问。从Mahout in Action一书中可以看出：
首选值可以是任何值，只要值越大意味着 更积极的偏好。例如，这些值可能是 评级为1到5，其中1表示用户不能的项目 站着，5表示收藏夹。
这是否意味着推荐人总是会将较小的值解释为否定偏好（不喜欢）？
我正在尝试创建一个没有负面偏好的推荐器。我的意思是我根本没有偏好，但我可以根据不同的加权指标（点击次数/编辑次数，编辑量，编辑方式等等）推导出它们。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，而是喜欢它的某种程度（并且如我上面所描述的那样，喜欢的程度也是如此）。
我曾尝试仅使用布尔首选项（Log-likelehood和Tanimoto相似性），但它们表现不佳，并且在大多数情况下，它们无法产生推荐（在摩尔然后是50％）。
我想利用数字来获得偏好，因此建议会更好，但我不确定如何。 我已经尝试过从5到10推导出如上所述的偏好值，然后每个用户对于一个人工项目的偏好值为1（意思是不喜欢它）。但是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。
有人更清楚如何应用一些仅具有“正面”（喜欢）偏好值的基于用户和基于项目的算法？
答案 0 :(得分：2)
如果你的意思是，你能否仅根据积极的行动得到合理的结果，那么当然是的。这是常见的情况。如何解释偏好值在很大程度上取决于您使用的算法，但对于任何算法，我都没有看到使用所有正值对所有正向动作进行编码的任何问题。这是一个简单的案例。 “1”本身并不是负面评级，不是。
您对相似性指标的观点与价值无关。听起来你的数据很稀疏。这是一个单独的问题。
其余的我不确定我理解。您使用的值取决于您的域。我会让它们与“力量”或价值成比例。例如，如果视频观看次数比视频共享频率高20倍，则可能会将视频共享的值视为比点击次数高20倍的操作。这是一个不错的起点。
答案 1 :(得分：1)
你应该尝试：
ParallelALSFactorizationJob（基于hadoop）ALSWRFactorizer和SVDRecommender（不基于hadoop）（我认为这个非hadoop隐式首选变体仅在mahout-0.8中可用），在这些中，您为项目的用户偏好分配的数字表示该关联有多强，而不是评级，因此它们都是正面关联，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，例如查看，编辑，点击等。虽然分配给每个交互的强度会因您的特定业务而异。
此演示文稿（link）应该让您大致了解正在发生的事情。此外，本文（link）描述了因子的隐式反馈变体（它们是相同的，一个只是用hadoop来扩展）