algorithm - 超越逐项推荐

Question

简单的项目到项目推荐系统是众所周知的并且经常实现。一个例子是Slope One 算法. 如果用户还没有对很多项目进行评分，这很好，但是一旦他们有了，我想提供更细粒度的推荐。让我们以音乐推荐系统为例，因为它们非常流行。如果用户正在查看莫扎特的作品，则可能会给出另一部莫扎特作品或贝多芬的建议。但如果用户对古典音乐进行了多次评分，我们或许可以在这些项目之间建立关联，并看到用户不喜欢人声或某些乐器。我假设这将是一个两部分的过程，第一部分是找到每个用户评分之间的相关性，第二部分是从这些额外数据构建推荐矩阵。所以问题是，它们是否有任何可用于这些步骤的开源实现或论文？

Answer 1

味道可能有一些有用的东西。它已移至 Mahout 项目：

http://taste.sourceforge.net/

一般来说，这个想法是给定用户过去的偏好，您希望预测他们接下来会选择什么并推荐它。您构建了一个机器学习模型，其中输入是用户过去选择的内容以及每个选择的属性。输出是他们将选择的项目。您通过保留他们的一些选择来创建训练数据，并使用他们的历史来预测您保留的数据。

您可以使用许多不同的机器学习模型。决策树很常见。

Answer 2

一个答案是任何推荐系统都应该具有您描述的一些属性。最初，建议并不是那么好，而且到处都是。当它学习口味时，推荐将来自用户喜欢的区域。

但是，您描述的协同过滤过程从根本上不是试图解决您要解决的问题。它基于用户评分，两首歌曲的评分并不相似，因为它们是相似的歌曲——它们的评分相似只是因为相似的人喜欢它们。

你真正需要的是定义你对歌曲相似度的概念。它是基于歌曲的声音吗？作曲家？因为听起来这个概念实际上并不是基于收视率。那是您要解决的问题的 80%。

我认为您真正要回答的问题是，哪些项目与给定项目最相似？鉴于您的项目相似性，这是一个比推荐更容易的问题。

Mahout可以帮助解决所有这些问题，除了基于其音频的歌曲与歌曲的相似性——或者至少为您的解决方案提供一个起点和框架。

Answer 3

我能想到两种技术：

• 使用反向传播或其后继者之一（例如弹性传播）训练前馈人工神经网络。
• 使用版本空间学习。这从关于用户喜欢什么的最一般和最具体的假设开始，并在集成新示例时缩小范围。您可以使用术语层次结构来描述概念。

这些方法的共同特点是：

1. 您需要为每个用户提供不同的功能。在搜索推荐时，这几乎排除了高效的数据库查询。
2. 当用户为某项投票时，该功能可以即时更新。
3. 您对输入数据进行分类的维度（例如，人声、每分钟节拍、音阶等）对分类质量非常重要。

请注意，这些建议来自基于知识的系统和人工神经网络的大学课程，而不是来自实践经验。