Как рассчитать подобие на основе записей о покупке?

Question

У меня есть набор данных истории покупок. Он содержит идентификаторы пользователя, itemid, покупки. Записи о покупке означает, сколько раз пользователь покупал товар.

dataset

Так как я могу вычислить пользователя или элемент сходства на основе этого набора данных для получения рекомендаций.

Answer 1

Вы можете пойти на Спарк MLlib алгоритмов. Spark предоставляет Collaborative filtering - Alternating Least Squares (ALS) алгоритм машинного обучения, который проходит обучение с использованием пользователя, продуктов и рейтинга. В вашем случае рейтинг будет считан (количество раз, когда пользователь приобрел предмет) покупок для товара.

Вы можете сразу перейти к алгоритму ALS, следуя приведенному здесь примеру Collaborative filtering - ALS.

Answer 2

Вы можете использовать Cos-дисперсию и корреляцию Cos.

https://github.com/Krewn/KPlot/blob/gh-pages/analysisTools.py

Answer 3

Mahout имеет пользователь и элемент подобие на основе вероятностного журнала отношение правдоподобия (LLR), это было продемонстрировано, чтобы дать высокую производительность по сравнению с другими метриками подобия и является лишь номинально «сходство», на самом деле корреляционный тест. LLR в Mahout генерирует оценку для каждого обнаруженного события (строка в вашем наборе данных). Это собирается в матрице «индикатор» с заданием spark-itemsimilarity. Вы можете использовать это вместе с поисковой системой, чтобы создать рекомендацию или использовать тот, который мы создали для PredictionIO.

PredictionIO - это компьютерный обучающий сервер с БД, контроль рабочего процесса, а также интеграция с памятью и вычислением. См. Universal Recommender, в котором используется Mahout on Spark и является полнофункциональным полнофункциональным рекомендатором, который может быть запрошен для элементов пользовательских рекомендаций.

• http://mahout.apache.org/users/algorithms/intro-cooccurrence-spark.html
• http://actionml.com/docs/ur