Apache mahout推荐程序 - 我应该为每个用户重新创建数据模型吗？

Question

我是Apache Mahout推荐人的新手。用例涉及根据用户的购买历史向用户提供建议。 我打算使用以下信息：

• 购买类别
• 购买金额
• 购买时间（例如 - 购买第一对后6个月推荐一双牛仔布）
• 用户位置

要识别具有相似购买模式/购买时间的用户并给予他们更多偏好，我是否必须为每个用户制作自定义数据模型？ 我计划定期从数据库导入以重新创建数据模型。 有没有办法动态给出如下所述的偏好：

1. 位置+购买类别+时间匹配
2. 购买类别+时间匹配
3. 位置+时间匹配（例如冬季服装）

目前我正在使用提供的示例代码。 （需要进行大量修改）

UserSimilarity similarity = new PearsonCorrelationSimilarity(model);
        UserNeighborhood neighborhood = new ThresholdUserNeighborhood(0.1, similarity, model);
        UserBasedRecommender recommender = new GenericUserBasedRecommender(model, neighborhood, similarity);
        List<RecommendedItem> recommendations = recommender.recommend(74, 10);

Answer 1

一般来说，为了实现您的目标，您需要对数据进行一步，在其中添加t_since_last_purchase等功能，其中包含整数0 - > INF。例如。自上次购买以来的几天

此功能，时间，将是另一个相关的用户功能。

我认为您正在查看一些较旧的基于Map-Reduce的reccomenders - 实际上是一流的 - 但考虑到您的使用案例，您可能需要查看coorelated cooccurence based reccomenders哪些具有显着优势能够查看用户的多个活动（在您的情况下，位置，以前的购买，时间）。