Neo4j 做推薦 (9)—— 協(xié)同過濾(人群的智慧)

簡單的協(xié)同過濾

MATCH (u:User {name: "Cynthia Freeman"})-[:RATED]->(:Movie)<-[:RATED]-(o:User)

MATCH (o)-[:RATED]->(rec:Movie)

WHERE NOT EXISTS( (u)-[:RATED]->(rec) )

RETURN rec.title, rec.year, rec.plot

LIMIT 25

上面的簡單的過濾方法其實存在很多問題略吨,例如不基于流行度來進行規(guī)范或不考慮評級。

只考慮用戶喜歡的類型

許多推薦系統(tǒng)融合了協(xié)同過濾和基于內(nèi)容的方法困曙,對于特定用戶杨赤,哪些類型的評分高于平均水平晤碘?用它來評分類似的電影:

MATCH (u:User {name: "Andrew Freeman"})-[r:RATED]->(m:Movie)

WITH u, avg(r.rating) AS mean

MATCH (u)-[r:RATED]->(m:Movie)-[:IN_GENRE]->(g:Genre)

WHERE r.rating > mean

WITH u, g, COUNT(*) AS score

MATCH (g)<-[:IN_GENRE]-(rec:Movie)

WHERE NOT EXISTS((u)-[:RATED]->(rec))

RETURN rec.title AS recommendation, rec.year AS year, COLLECT(DISTINCT g.name) AS genres, SUM(score) AS sscore

ORDER BY sscore DESC LIMIT 10

分析:

1. 用戶u評過的電影的平均分

2. 找出用戶u評過的高于平均分的電影的分類检盼,并對分類計數(shù)

3. 找出這些分類的相關(guān)的電影,并且這些電影是用戶u沒有評過分的

4. 找出電影分類中影片數(shù)最多的前10部電影

Neo4j 做推薦 (1)—— 基礎(chǔ)數(shù)據(jù)

Neo4j 做推薦 (2)—— 基于內(nèi)容的過濾

Neo4j 做推薦 (3)—— 協(xié)同過濾

Neo4j 做推薦 (4)—— 基于內(nèi)容的過濾(續(xù))

Neo4j 做推薦 (5)—— 基于類型的個性化建議

Neo4j 做推薦 (6)—— 加權(quán)內(nèi)容算法

Neo4j 做推薦 (7)—— 基于內(nèi)容的相似度量標(biāo)準(zhǔn)

Neo4j 做推薦 (8)—— 協(xié)同過濾(利用電影評級)

Neo4j 做推薦 (9)—— 協(xié)同過濾(人群的智慧)

Neo4j 做推薦 (10)—— 協(xié)同過濾(皮爾遜相似性)

Neo4j 做推薦 (11)—— 協(xié)同過濾(余弦相似度)

Neo4j 做推薦 (12)—— 協(xié)同過濾(基于鄰域的推薦)

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末碍遍,一起剝皮案震驚了整個濱河市奖磁,隨后出現(xiàn)的幾起案子改基,更是在濱河造成了極大的恐慌,老刑警劉巖咖为,帶你破解...
    沈念sama閱讀 212,718評論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件秕狰,死亡現(xiàn)場離奇詭異,居然都是意外死亡躁染,警方通過查閱死者的電腦和手機鸣哀,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,683評論 3 385
  • 文/潘曉璐 我一進店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來吞彤,“玉大人我衬,你說我怎么就攤上這事叹放。” “怎么了挠羔?”我有些...
    開封第一講書人閱讀 158,207評論 0 348
  • 文/不壞的土叔 我叫張陵井仰,是天一觀的道長。 經(jīng)常有香客問我破加,道長糕档,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 56,755評論 1 284
  • 正文 為了忘掉前任拌喉,我火速辦了婚禮,結(jié)果婚禮上俐银,老公的妹妹穿的比我還像新娘尿背。我一直安慰自己,他們只是感情好捶惜,可當(dāng)我...
    茶點故事閱讀 65,862評論 6 386
  • 文/花漫 我一把揭開白布田藐。 她就那樣靜靜地躺著,像睡著了一般吱七。 火紅的嫁衣襯著肌膚如雪汽久。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 50,050評論 1 291
  • 那天踊餐,我揣著相機與錄音景醇,去河邊找鬼。 笑死吝岭,一個胖子當(dāng)著我的面吹牛三痰,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播窜管,決...
    沈念sama閱讀 39,136評論 3 410
  • 文/蒼蘭香墨 我猛地睜開眼散劫,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了幕帆?” 一聲冷哼從身側(cè)響起获搏,我...
    開封第一講書人閱讀 37,882評論 0 268
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎失乾,沒想到半個月后常熙,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 44,330評論 1 303
  • 正文 獨居荒郊野嶺守林人離奇死亡碱茁,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 36,651評論 2 327
  • 正文 我和宋清朗相戀三年症概,在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片早芭。...
    茶點故事閱讀 38,789評論 1 341
  • 序言:一個原本活蹦亂跳的男人離奇死亡彼城,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情募壕,我是刑警寧澤调炬,帶...
    沈念sama閱讀 34,477評論 4 333
  • 正文 年R本政府宣布,位于F島的核電站舱馅,受9級特大地震影響缰泡,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜代嗤,卻給世界環(huán)境...
    茶點故事閱讀 40,135評論 3 317
  • 文/蒙蒙 一棘钞、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧干毅,春花似錦宜猜、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,864評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至渠鸽,卻和暖如春叫乌,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背徽缚。 一陣腳步聲響...
    開封第一講書人閱讀 32,099評論 1 267
  • 我被黑心中介騙來泰國打工憨奸, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留,地道東北人凿试。 一個月前我還...
    沈念sama閱讀 46,598評論 2 362
  • 正文 我出身青樓膀藐,卻偏偏與公主長得像,于是被迫代替她去往敵國和親红省。 傳聞我的和親對象是個殘疾皇子额各,可洞房花燭夜當(dāng)晚...
    茶點故事閱讀 43,697評論 2 351

推薦閱讀更多精彩內(nèi)容