8

我正在考虑编写一个应用程序来根据家庭成员的喜好对 HTPC 中的电影进行分类。

我不知道统计或人工智能，但这里的东西看起来很有趣。我不知道从哪里开始做。

这是我想要完成的事情：

  1. 根据每个用户的喜好组成一组样本，分别对每个样本属性进行评分。例如，也许一个用户非常喜欢西方电影，所以西方类型对该用户来说会带来更多的权重（对于其他属性，如演员、导演等）。

  2. 用户可以根据其他用户的喜好获得建议。例如，如果用户 A 和 B 都喜欢 Spielberg（用户之间的联系），并且用户 B 喜欢 Batman Begins，但用户 A 讨厌 Katie Holmes，则相应地为用户 A 权衡电影（同样，每个属性单独，例如，也许用户 A 不太喜欢动作片，所以稍微降低评分，因为凯蒂·霍姆斯不是主要明星，所以不要像其他属性一样考虑这一点）。

基本上，将用户 A 的集合与用户 B 的集合进行比较，然后得出用户 A 的评分。

我对如何实现这个有一个粗略的想法，但我敢肯定一些聪明的人已经想到了一个更好的解决方案，所以......有什么建议吗？

实际上，经过快速研究，贝叶斯过滤器似乎可以工作。如果是这样，这会是更好的方法吗？会不会像“规范化”电影数据、为每个用户训练分类器、然后对每部电影进行分类一样简单？

如果您的建议包括一些令人费解的概念（我在这些主题方面没有经验，特别是在 AI 方面），如果您还包括一些基础知识列表供我在深入研究肉类之前进行研究，我将不胜感激。

谢谢！

4

5 回答 5

4

这类似于OP 想要构建推荐系统的问题。简而言之，我们得到一组训练数据，包括用户对电影的评分（例如 1-5 星评分）和每部电影的一组属性（年份、流派、演员……）。我们想要构建一个推荐器，以便它为未看过的电影输出一个可能的评分。所以 inpt 数据看起来像：

user movie   year   genre   ...    | rating
---------------------------------------------
  1    1     2006   action         |    5
  3    2     2008   drama          |    3.5
  ...

对于未分级的电影 X：

10    20     2009   drama   ?

我们想预测一个评级。对所有未看过的电影执行此操作，然后按预测的电影评分排序并输出前 10 名，从而为您提供推荐系统。

最简单的方法是使用k 近邻算法。在评分的电影中，搜索与电影 X“最接近”的电影，并结合它们的评分来产生预测。这种方法的优点是非常简单，易于从头开始实施。

存在其他更复杂的方法。例如，您可以构建决策树，在训练数据上拟合一组规则。您还可以使用贝叶斯网络、人工神经网络、支持向量机等等......对于没有适当背景的人来说，通过每一个都不容易。我仍然希望您会使用外部工具/库。现在您似乎对贝叶斯网络很熟悉，所以一个简单的朴素贝叶斯网络实际上可能非常强大。一个优点是它允许在缺失数据的情况下进行预测。

主要思想有些相同。获取您拥有的输入数据，训练模型，然后使用它来预测新实例的类别。

如果你想在不需要编程的简单直观包中使用不同的算法，我建议你看看Weka（我的第一选择）、Orange或RapidMiner。最困难的部分是将数据集准备为所需的格式。其余的就像选择什么算法并应用它一样简单（只需点击几下！）

我想对于不想了解太多细节的人来说，我建议使用最近邻方法，因为它直观且易于实现。仍然值得研究使用Weka（或其他工具之一）的选项.

于 2009-10-22T19:26:59.410 回答
2

有一些算法对此有好处：

ARTMAP：通过概率对彼此进行分组（这并不快，但它对您的问题 IMO 是最好的）

ARTMAP 拥有一组共同属性，并通过百分比确定相似性的可能性。 ARTMAP

KMeans：这通过它们彼此之间的距离来分离向量 KMeans：维基百科

PCA：将所有值的平均值与可变位分开。这就是您在计算机视觉中用于人脸检测和背景减法的方法。 主成分分析

于 2009-10-21T19:01:28.730 回答
2

K-最近邻算法可能就在你的小巷里。

于 2009-10-22T18:26:32.740 回答
1

查看Netflix 奖的顶级团队的一些作品。

于 2009-10-28T12:03:59.917 回答