构建推荐引擎时应该考虑什么？

Question

我读过书 集体智慧编程 并发现它很有趣。我最近听说亚马逊向全世界发起了一项挑战，要求为其系统提供更好的推荐引擎。

获胜者显然通过限制输入的信息量产生了最好的算法。

作为第一条经验法则，我想......”对于模糊算法来说，信息并不一定越好。”

我知道这是主观的，但最终它是一个可衡量的事情（点击响应建议）。

由于现在我们大多数人都在与网络打交道，搜索可以被视为一种推荐形式......我怀疑我不是唯一一个欣赏其他人对此想法的人。

简而言之， “建立推荐的最佳方式是什么？”

Answer 1

除非您没有有关用户的信息，否则您不想使用“总体受欢迎度”。相反，您希望将此用户与相似的用户和相应的权重保持一致。

这正是 贝叶斯推理 做。在英语中，这意味着根据其他人的评分来调整您喜欢某事物的总体概率（平均评分） 他们通常也投票支持你.

另一条建议，但这一次是临时的：我发现有些人如果他们喜欢某样东西我几乎肯定会喜欢 不是 喜欢它。我不知道这种效果是真实的还是想象的，但建立一种“负面效果”而不是仅仅通过相似性将人们聚集在一起可能会很有趣。

终于有一家公司专门做这件事了 SenseArray. 。主人 （伊恩·克拉克 的 自由网名声）非常平易近人。如果你打电话给他，可以用我的名字。

Answer 2

计算机科学中有一个完整的研究领域致力于这个主题。我建议阅读 一些文章.

Answer 3

同意@Ricardo。这个问题太宽泛了，就像问“优化系统的最佳方法是什么？”

几乎所有现有推荐引擎的一个共同特征是，做出最终推荐可以归结为将一定数量的矩阵和向量相乘。例如，将包含用户之间的邻近权重的矩阵乘以项目评分向量。

（当然，您必须准备好让大多数向量变得超级稀疏！）

我的回答对于 @Allin 来说肯定太晚了，但对于通过搜索找到这个问题的其他用户来说——给我发私信并提出更具体的问题，我一定会回复。

（我专业设计推荐引擎。）

Answer 4

@老子，我同意你的观点。

据我所知，推荐引擎由以下部分组成：

• 由上下文感知系统提供的上下文输入（记录所有数据）
• 逻辑推理过滤掉最明显的
• 专家系统可以根据上下文输入在一段时间内改进您的主观数据，以及
• 概率推理根据先前行为（信念、愿望和意图）的加权和进行接近决策。

附：我做了这样的推荐引擎。