物品到物品Amazon协作过滤

Question

我正在尝试完全理解项目到项目亚马逊的算法，将其应用到我的系统，以推荐用户可能喜欢的项目，匹配用户喜欢的先前项目。

到目前为止，我已阅读过这些内容：Amazon paper，item-to-item presentation和item-based algorithms。我也找到了这个question，但之后我就更加困惑了。

我能说的是，我需要按照以下步骤获取推荐项目列表：

1. 让我的数据设置为用户喜欢的项目（我设置了喜欢= 1而不喜欢= 0）。
2. 使用Pearson相关分数（这是怎么做的？我找到了公式，但有没有例子？）。
3. 那我该怎么办？

所以我提出了这个问题：

1. 项目到项目和基于项目的过滤有什么区别？两种算法都一样吗？
2. 用喜欢与否取代排名得分是否正确？
3. 使用物品到物品算法是对的，还是有其他更适合我的案例？

有关此主题的任何信息都将不胜感激。

Answer 1

很棒的问题。

考虑一下你的数据。你可能有一元（消耗或空），二元（喜欢和不喜欢），三元（喜欢，不喜欢，未知/ null），或连续（空和一些数字刻度），甚至有序（空和一些有序刻度） 。不同的算法可以更好地处理不同的数据类型。

项目项协同过滤（也称为基于项目）最适合数字或序数标度。如果您只有一元数据，二进制数据或三元数据，那么使用关联规则挖掘等数据挖掘算法可能会更好。

给定用户矩阵及其项目评级，您可以计算每个项目与其他项目的相似度。矩阵操作和计算内置于许多库中：例如，在Python中尝试scipy和numpy。您可以迭代项目并使用内置矩阵计算来完成https://en.wikipedia.org/wiki/Cosine_similarity中的大部分工作。或者下载像Mahout或Lenskit这样的框架，它可以为您完成此任务。

现在你有一个每个项目与其他项目相似的矩阵，你可能想为用户U建议项目。所以看看她的项目历史。对于每个历史项目I，对于数据集ID中的每个项目，将I与ID的相似度添加到候选项目分数列表中。当您浏览完所有历史记录项目后，按分数降序对候选项目列表进行排序，并推荐排名靠前的项目。

要回答剩下的问题：连续或有序的比例将为您提供最佳的协作过滤结果。不要使用＆＃34;喜欢＆＃34;与＃34; unliked＆＃34;如果您有更好的数据，请进行扩展。

矩阵分解算法表现良好，如果您没有多少用户而且您的评级矩阵没有很多更新，您还可以使用用户 - 用户协作过滤。首先尝试项目项：它是一个很好的通用推荐算法。