Рекомендации по использованию

Question

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.

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.

Answer 1

Есть некоторые моменты, вы можете использовать:

1. Существует большая разница между «видел и не хотел», чтобы «не видел». Часто «замеченное и не понравилось» используется как слабое «неприятие», а затем вы можете использовать совместную фильтрацию.
2. Вы все еще можете найти «похожих пользователей» на основе симпатий и на основе набора похожих пользователей (которые, как правило, похожи на подобные вещи) - вы можете предлагать понравившиеся им предметы. Вы можете определить, что два пользователя являются «похожими», если наборы предметов, которые им нравятся, имеют высокий Jaccard similarity (например) и рекомендуют элементы, понравившиеся большой части «похожих» пользователей.

В течение последних нескольких лет вы можете искать литературу по более широкому кругу вопросов, это новая тема для обсуждения на www conference, и новые методы всегда развиваются.