请耐心等待我的写作，因为我的英语不熟练。
作为一名程序员，我想了解在推荐系统或相关系统下实现的算法或机器学习智能。例如，最明显的例子来自亚马逊。他们有一个非常好的推荐系统。他们知道：如果你喜欢这个，你可能也喜欢那个，或者其他类似的东西：有多少人喜欢这个和那个。
当然，我知道亚马逊是一个大网站，他们在这些系统上投入了大量的精力和金钱。但是，在最基本的核心上，我们如何在我们的数据库中实现类似的东西？我们如何确定一个对象与另一个对象的关系？我们如何建立一个处理这种事情的统计单元？
如果有人能指出一些算法，我将不胜感激。或者，基本上，指出一些我们都可以学习的好的直接参考/书籍。谢谢你们！
这是 2 种不同类型的推荐引擎。
最简单的是基于项目的，即“购买了产品 A 的客户也购买了产品 B”。这很容易实现。存储一个稀疏对称矩阵 nxn（其中 n 是项目数）。每个元素 (m[a][b]) 是任何人同时购买商品“a”和商品“b”的次数。
另一种是基于用户的。那就是“像你这样的人经常喜欢这样的事情”。这个问题的一个可能的解决方案是 k-means 聚类。即构建一组聚类，将具有相似品味的用户放置在同一聚类中，并根据同一聚类中的用户提出建议。
一种更好但更复杂的解决方案是一种称为受限玻尔兹曼机的技术。这里有他们的介绍
第一次尝试可能如下所示：
//First Calculate how often any product pair was bought together
//The time/memory should be about Sum over all Customers of Customer.BoughtProducts^2
Dictionary<Pair<ProductID,ProductID>> boughtTogether=new Dictionary<Pair<ProductID,ProductID>>();
foreach(Customer in Customers)
{
foreach(product1 in Customer.BoughtProducts)
foreach(product2 in Customer.BoughtProducts)
{
int counter=boughtTogether[Pair(product1,product2)] or 0 if missing;
counter++;
boughtTogether[Pair(product1,product2)]=counter;
}
}
boughtTogether.GroupBy(entry.Key.First).Select(group.OrderByDescending(entry=>entry.Value).Take(10).Select(new{key.Second as ProductID,Value as Count}));
首先，我计算每对产品一起购买的频率，然后按产品对它们进行分组，并选择与它一起购买的前 20 种其他产品。结果应放入某种由产品 ID 键入的字典中。
对于大型数据库，这可能会变得太慢或占用太多内存。
如果您正在寻找开源解决方案或像mag3llan.com这样的 SaaS 解决方案，还有prediction.io。