簡單建議/推薦算法

Question

我正在尋找一個簡單的建議算法來實現我的Web應用程序。很像Netflix，亞馬遜等...但更簡單。我不需要博士團隊努力獲得更好的建議指標。

所以說我有：

• 用戶1喜歡Object1。
• User2喜歡Object1和Object2。

我想建議User1他們也可能喜歡Object2。

我明顯可以想出一些天真的東西。我正在尋找審查和輕鬆實施的東西。

Answer 1

還有的建議算法很多簡單和不那麼簡單的例子優良 Programming Collective Intelligence

的Pearson correlation coefficient（稍幹維基百科文章），在可以給不錯的成果。下面是Python中的一個實現以及TSQL中的另一個實現以及該算法的一個有趣的解釋。

Answer 2

你可能想看看Association rule learning和Apriori algorithm。背後的基本思想是，你創建的規則就像「如果用戶像Object1，而不是用戶喜歡Object2」，並檢查他們描述（你）的實際情況。在具體的例子中，這條規則將有一個支持2（像Object1這樣的兩個用戶），並且有50％的可信度（這在2個案例中有1個是正確的）。我剛剛實現了一個基本的概念驗證（實際上是我在Hadoop上的第一步），並不難做到。您也可以看看Apache Mahout - Taste。儘管我自己並沒有使用過它。

Answer 3

嘗試一個Slope One算法，它是這類問題中最常用的算法之一。

here's在T-SQL

Answer 4

一個樣本實現我將與K最近鄰居去。 wikipedia entry很好地解釋了它，並且鏈接到參考實現。

Answer 5

k近鄰算法

Answer 6

我創建了一個建議的文章算法所使用的關鍵字（相對於「產品購買」），以確定相關性。它需要一個關鍵字，並在該關鍵字出現的所有其他文章中運行，並根據哪些文章具有最匹配的關鍵字來生成結果。

除了明顯需要緩存這些信息之外，他還有什麼地方使用類似方法有問題嗎？