Мне любопытно, какие алгоритмы существуют для рекомендаций на основе рекомендаций. Я имею в виду, что люди могут «любить» что-то, но они не могут «отличить» что-то. Какие алгоритмы рекомендации существуют для такого сценария.Рекомендации по использованию
У меня была одна идея, но я не думаю, что ее масштабируемость. Моя идея заключалась в том, чтобы создать график, в котором каждый симпатичный элемент имеет преимущество друг с другом в симпатичном элементе с пропускной способностью числа пользователей, которым нравятся оба общих элемента. Затем, чтобы давать рекомендации для определенного пользователя, вы увеличиваете график так, чтобы пользователь был исходным узлом с бесконечными краями для всех элементов, которые ему нравятся. Все элементы, которые пользователь не любил, имеют край с бесконечной пропускной способностью для узла назначения. Затем выполните максимальный поток, используя Ford-Fulkerson, и рекомендации можно сортировать на основе граничных потоков в пункте назначения. Однако, подумав об этом, график с 1000 элементами или более может быстро выйти из-под контроля.
Я думал о других системах, таких как совместные фильтры, но я не уверен, что они будут работать очень хорошо, учитывая, что нет ни одного голоса или нескольких масштабов. Таким образом, «неприязнь» неотличима от «еще не понравилось».
Буду признателен за любые идеи или ресурсы.
Существует большая разница между «увиденным и не понравившимся» на «did'nt see». есть ли у вас данные, если пользователь видел товар или нет? видел и не любил иногда используется как слабое «неприязнь» – amit