基于其他用户喜欢的用于查找用户想要的内容的算法
https://stackoverflow.com/questions/1602302
-
05-07-2019 - |
italiano
english
français
española
中国
日本の
العربية
Deutsch
한국어
Português
Russian题
我正在考虑编写一个应用程序，根据家庭成员的喜好对HTPC中的电影进行分类。
我不知道统计数据或人工智能，但这里的内容看起来非常多汁。我不知道从哪里开始做。
这就是我想要完成的事情：
-
撰写每个用户喜欢的一组样本，分别对每个样本属性进行评分。例如，也许用户喜欢西方电影很多，因此西方流派会为该用户带来更多的权重（等等其他属性，如演员，导演等）。
-
用户可以根据其他用户的喜好获得建议。例如，如果用户A和B都喜欢Spielberg（用户之间的连接），而用户B喜欢Batman Begins，但是用户A厌恶Katie Holmes，则相应地为用户A权衡电影（再次，每个属性分开，例如，也许用户A不喜欢动作片这么多，所以将评级降低一点，因为凯蒂霍姆斯不是主要的明星，所以不要考虑其他属性。
基本上，比较来自用户A的集合，类似于来自用户B的集合，并为用户A提供评级。
我对如何实现这一点有一个粗略的想法，但我确信一些聪明的人已经考虑过一个更好的解决方案，所以...任何建议？
实际上，经过快速研究，似乎贝叶斯过滤器可行。如果是这样，这会是更好的方法吗？它会像“正常化”那样简单吗？电影数据，为每个用户训练分类器，然后只对每部电影进行分类？
如果您的建议包括一些脑融化概念（我在这些科目中没有经验，特别是在AI中），如果您在深入研究多肉之前还列出了一些基础知识供我研究，我将不胜感激。
谢谢！
解决方案
有一些算法对此有好处：
ARTMAP：通过概率相互分组（这不是快速但对你的问题IMO来说是最好的）
ARTMAP拥有一组共同属性，并通过百分比确定可能性。 ARTMAP
KMeans：这将向量与它们彼此之间的距离分开 KMeans：Wikipedia
PCA：将分离变量位中所有值的平均值。这是您在计算机视觉中用于人脸检测和背景扣除的方法。 PCA
其他提示
Matthew Podwysocki有一些关于这个东西的有趣文章
这类似于这个问题所在的OP想建立一个推荐系统。简而言之，我们获得了一组训练数据，包括用户对电影的评分（例如1-5星评级）和每部电影的一组属性（年份，流派，演员......）。我们想要建立一个推荐器，以便为看不见的电影输出可能的评级。所以inpt数据看起来像：
user movie year genre ... | rating
---------------------------------------------
1 1 2006 action | 5
3 2 2008 drama | 3.5
...
和未评级的电影X：
10 20 2009 drama ?
我们想预测一个评级。对所有看不见的电影执行此操作，然后按预测的电影评级排序并输出前10名，为您提供推荐系统。
最简单的方法是使用 k-nearest neighbor 算法。在评级的电影中，搜索“最近”的电影。电影X，并结合他们的评级产生预测。 这种方法的优点是易于从头开始实施非常简单。
存在其他更复杂的方法。例如，您可以构建决策树，以适应训练数据的一组规则。您还可以使用贝叶斯网络，人工神经网络，支持向量机，以及其他许多人......对于没有适当背景的人来说，经历这些过程并不容易。 我仍然希望你会使用外部工具/库。现在你似乎熟悉贝叶斯网络，所以一个简单朴素的贝叶斯网，实际上可能非常强大。一个优点是它允许在缺失数据下进行预测。
主要观点会有些相同;获取您拥有的输入数据，训练模型，然后使用它来预测新实例的类别。
如果你想在简单直观的包中使用不同的算法，不需要编程，我建议你看看 Weka （我的第一选择）， Orange 或 RapidMiner 。最困难的部分是将数据集准备为所需的格式。其余的就像选择算法并应用它一样简单（只需点击几下！）
我想对于那些不想进入太多细节的人，我建议使用最近邻法，因为它直观且易于实现。仍然可以选择使用 Weka （或其中一个工具）值得研究。
K最近邻算法可能就在你的小巷里。
