简单建议/推荐算法

Question

我正在寻找一个简单的建议算法来实现我的Web应用程序。很像Netflix，亚马逊等...但更简单。我不需要博士团队努力获得更好的建议指标。

所以说我有：

• 用户1喜欢Object1。
• User2喜欢Object1和Object2。

我想建议User1他们也可能喜欢Object2。

我明显可以想出一些天真的东西。我正在寻找审查和轻松实施的东西。

Answer 1

还有的建议算法很多简单和不那么简单的例子优良 Programming Collective Intelligence

的Pearson correlation coefficient（稍干维基百科文章），在可以给不错的成果。下面是Python中的一个实现以及TSQL中的另一个实现以及该算法的一个有趣的解释。

Answer 2

你可能想看看Association rule learning和Apriori algorithm。背后的基本思想是，你创建的规则就像“如果用户像Object1，而不是用户喜欢Object2”，并检查他们描述（你）的实际情况。在具体的例子中，这条规则将有一个支持2（像Object1这样的两个用户），并且有50％的可信度（这在2个案例中有1个是正确的）。我刚刚实现了一个基本的概念验证（实际上是我在Hadoop上的第一步），并不难做到。您也可以看看Apache Mahout - Taste。尽管我自己并没有使用过它。

Answer 3

尝试一个Slope One算法，它是这类问题中最常用的算法之一。

here's在T-SQL

Answer 4

一个样本实现我将与K最近邻居去。 wikipedia entry很好地解释了它，并且链接到参考实现。

Answer 5

k近邻算法

Answer 6

我创建了一个建议的文章算法所使用的关键字（相对于“产品购买”），以确定相关性。它需要一个关键字，并在该关键字出现的所有其他文章中运行，并根据哪些文章具有最匹配的关键字来生成结果。

除了明显需要缓存这些信息之外，他还有什么地方使用类似方法有问题吗？