基于类似的推荐

Question

我很好奇基于类似推荐的算法。我的意思是人们可以“喜欢”某些东西，但他们不能“不像”某种东西。这种情况下有什么样的推荐算法。

我有一个想法，但我不认为它的可扩展性。我的想法是创建一个图表，其中每个可爱的项目对于每个其他喜欢的项目具有边缘容量，其中边缘容量是喜欢这两个项目的用户数量的共同点。然后为某个用户提供建议，可以增加图形，以便用户是源节点，并且对用户喜欢的所有项目具有无限边缘。用户不喜欢的所有项目都具有无限容量的边缘到目的节点。然后使用Ford-Fulkerson运行最大流量，并根据目的地的边缘流量对建议进行排序。然而，一想到它，一张1000个或更多的图表就会很快失去控制。

我曾经想过其他系统如协作过滤器，但我不确定他们会很好地工作，考虑到没有投票或多个喜欢的比例。因此，“不喜欢”与“尚未喜欢”无法区分。

我会很感激任何想法或资源。

Answer 1

有一些点，你可以使用：

1. 有“见过，不喜欢”到“没有看到”有很大的区别。通常，“看到和不喜欢”被用作弱的“不喜欢”，然后你可以使用协作过滤。
2. 您仍然可以找到基于喜欢的“类似用户”，并基于一组类似用户（喜欢类似的东西） - 您可以推荐他们喜欢的物品。如果他们喜欢的项目集合具有较高的Jaccard similarity（例如），则可以确定两个用户“相似”，并推荐大部分“相似”用户喜欢的项目。

您可能会搜索更多选择的文献，这是过去几年www conference的热门话题，新方法总是在不断发展。