协同过滤cypher与neo4j中的属性

Question

我正在使用neo4j来设置推荐系统。我有以下设置：

节点

• 用户
• 影
• 电影属性（例如流派）

关系

• __declspec(dllexport)
• (m:Movie)-[w:WEIGHT {weight: 10}]->(a:Attribute)

以下是它的外观图表：

我现在正试图弄清楚如何应用协同过滤方案，其工作原理如下：

1. 检查(u:User)-[r:RATED {rating: 5}]->(m:Movie)喜欢哪些属性（隐含地喜欢看电影）
2. 查找喜欢这些类似属性的类似user
3. 将热门电影推荐给用户未见过的other users，但类似的user已经看过。

显然，每个属性对每部电影都有一定的权重。例如。类型other users对于指环王而言可以具有adventure的权重，但对于泰坦尼克号来说可以具有10的权重。

此外，系统需要考虑每部电影的评分。例如。如果5已经评定指环王other user，那么他/她的范围之王的属性将按5而不是5进行缩放。对隐式属性进行评级的10也接近user应该推荐这部电影，而不是另一个评价相似属性的用户。

我首先只推荐其他用户评价的其他电影，但我不确定如何考虑关系评级和重量。它也没有用：

5

Answer 1

从数学上讲，您所寻找的是两个用户之间的简化Jaccard index。也就是说，它们的相似之处在于它们有多少共同点。我说简化是因为我们没有考虑他们不同意的电影。基本上，按照您的订单，它将是：

1）获取每个用户的每个属性的总权重。例如：

MATCH (user:User{name:'user1'})
OPTIONAL MATCH (user)-[r:RATED]->(m:Movie)->[w:WEIGHT]->(a:Attribute)
WITH user, r.rating * w.weight AS totalWeight, a
WITH user, a, sum(totalWeight) AS totalWeight

我们需要最后一行，因为每个Movie-Attribute组合都有一行

2）然后，我们得到具有相似品味的用户。这是一个性能危险区域，有些过滤可能是必要的。但是粗暴强迫它，我们让用户喜欢10％错误中的每个属性（例如）

WITH user, a, totalWeight*0.9 AS minimum, totalWeight*1.10 AS maximum
MATCH (a)<-[w:WEIGHT]-(m:Movie)<-[r:RATES]-(otherUser:User)
WITH user, a, otherUser
WHERE w.weight * r.rating > minimum AND w.weight * r.rating < maximum
WITH user, otherUser

所以现在我们有一行（由于最后一行而是唯一的）与任何匹配的其他用户。在这里，说实话，我需要尝试确定是否包含只有1种类型匹配的其他用户..如果是，则需要额外的过滤器。但我认为应该在我们开始之后继续这样做。

3）现在很容易：

MATCH (otherUser)-[r:RATES]->(m:Movie)
WHERE NOT (user)-[:RATES]->(m)
RETURN m, sum(r.rating) AS totalRating ORDER BY totalRating DESC

如前所述，棘手的部分是2），但在我们知道如何进行数学运算之后，应该会更容易。哦，关于数学，为了使它正常工作，电影的总重量应该加1（normalizing）。在任何其他情况下，电影总重量之间的差异会导致不公平的比较。

我没有经过适当的研究（纸张，铅笔，方程式，统计数据）并在样本数据集中尝试代码。无论如何，我希望它可以帮到你！

如果你想要这个推荐而不考虑用户评级或属性权重，那么分别用r.rating或w.weight代替1）和2）中的数学就足够了。仍然会使用费率和权重关系，因此，冒险电影的狂热消费者将推荐冒险电影的消费者使用电影，但不会按照我们选择的等级或属性权重进行修改。

编辑：编辑代码以修复评论中讨论的语法错误。

Answer 2

回答第一个问题：

检查用户喜欢哪些属性（隐含地喜欢看电影）

MATCH (user:User)
OPTIONAL MATCH (user)-[r:RATED]->(m:movie)
OPTIONAL MATCH (m)-[r:RATED]->(a:Attribute)
WHERE user.uid = "user4"
RETURN user, collect ({ a:a.title })

这是一个子查询构造，您可以在其中找到用户评分的电影，然后查找电影的属性，最后返回喜欢的属性列表

如果需要整个节点，可以将return语句修改为 收集（a）作为属性