我正在寻找一个基本的推荐引擎，它将采用并存储一个数字ID列表（与书籍相关），将这些ID与具有大量相同ID的其他用户进行比较，并根据这些ID推荐其他书籍
经过一段谷歌搜索后，我发现了this article，它讨论了Slope One算法的实现，但似乎依赖于用户对被比较项目进行评级。理想情况下，我希望在不需要用户提供评级的情况下实现这一目标。我假设如果用户在他们的收藏中有这本书，他们会喜欢它。
虽然我觉得我可以默认每本书的评级为10，但我想知道我是否可以使用更高效的算法。理想情况下，我想动态计算这些建议（避免批量计算）。任何建议，将不胜感激。
答案 0 :(得分：11)
您的任务的基本算法是collaborative memory-based推荐系统。这很容易实现，特别是当您的项目（在您的案例中）只有ID而没有其他功能时。
但是，正如您已经说过的那样，您需要来自用户的某些评级。但是不要考虑像1到5星的评级，但更像是二元选择，如0（书不读）和1（书读），或感兴趣的或不对感兴趣。
然后使用适当的 distance measure 计算所有用户（及其项目集）与您自己之间的差异，选择 n 最相似的用户你自己（活跃用户是谁）并挑选你没有评价的项目（或考虑，选择0）。
我认为在这种情况下，一个好的距离测量将是<1>范围距离，或者有时称为曼哈顿距离。但是，您必须尝试使用数据集才能获得最佳结果。
本主题的一个很好的介绍是Breese等人的论文，协同过滤的预测算法的实证分析。可用here（PDF）。对于研究论文，这是一个容易阅读。
答案 1 :(得分：2)
Apriori algorithm可以根据用户感兴趣的项目集为您提供建议。你必须定义自己的有趣集合的概念，例如用户在单个订单中购买的商品，用户购买的商品，用户评价的商品，用户详细浏览的商品。
Apriori算法需要批处理，但存在可能不需要批处理的改进。这些是AprioriTid和AprioriHybrid（对不起，没有链接）。
答案 2 :(得分：0)
@ndg这是非常有见地的，作为在这个领域工作的人，我认为你正确使用了相当于〜{0,1}评级系统。星级评分中的大多数差异只是噪音。你可以允许{0,1,2}加上“爱它！”按钮但是用户在使用这些按钮时不一致，所以限制选择是很好的。 Hotpot让用户拥有10种超级爱情，让它保持一致。
我的建议是要在过于宽泛的笔触中小心绘画。换句话说，通用算法是最简单的，但你错过了机会主义的机会。
获取您非常熟悉的小数据集 - 比如让您的一些朋友使用该网站 - 并记下可能对用户距离评级产生正面或负面影响的所有因素。然后在建模过程中，您必须决定哪些因素以及如何/多少。
请记住，规范的数量大约是曲线数量的大小。你可能想要考虑一个quasinorm，pseudonorm，甚至是非连续的规范。
我认为没有理由使用曼哈顿规范，事实上我会使用基于图形的规范来计算用户之间的距离。