我一直在阅读用于构建推荐引擎的协同过滤，并且示例往往是围绕电影等用户对他们看过的电影进行评分然后用于查找他们可能喜欢的其他电影的电影。
但是在一个事件的背景下，这似乎没什么意义，要求用户评价一个事件并不是特别有用，因为他们只能在他们看到它之后对它进行评级并假设它是一个一次性事件到那时为止，你再也不能向任何人推荐它了。
我知道一个选择是，如果他们为某些东西买票，则将评级分配为1，如果他们没有，则将其保留为0。但这不是理想的，因为有人可能会通过票证来讨价还价，而不想被推荐任何类似的东西。此外，它还假设您知道用户何时购买了可能并非总是可能的票据。
有没有一种很好的方法可以对事件使用协同过滤，如果没有，还有其他更适合的算法吗？
答案 0 :(得分：0)
我不确定我会否认你完全描述电影排名的方式......但也许你需要优化你收集的数据。
看来你的基本方法是推荐基于“其他喜欢X的人也喜欢Y”。嗯，X和Y不一定是精确的东西。也许如果你评价X，评级会以某种方式应用于X的子组件。在电影的情况下，这可能是主演的演员，导演和流派。在夜间表演的情况下，这可能是行为和表演者的类型。
因此，即使您的用户可能对该事件进行评级，您也可以根据这些“标签”或子组件进行推荐。例如。 “喜欢ComedianA的其他人也喜欢ComedianB，”或“很多喜欢ComedianA的人会看到ComedianB。”