kNN——K近鄰
現(xiàn)在我們有了一種基于偏好查找類似用戶的方法严望，下一步是允許每個(gè)k個(gè)最相似的用戶投票選擇應(yīng)該推薦的項(xiàng)目。
主要有：???????????????????????
“與我的電影最相似的電影中有10個(gè)用戶是誰(shuí)轮听？他們?cè)u(píng)價(jià)的電影有多高剥哑，我還沒看過(guò)呢掠拳？”
使用Pearson相似度的kNN電影推薦
MATCH (u1:User{name:"Cynthia Freeman"})-[r:RATED]->(m:Movie)
WITH u1,avg(r.rating) AS u1_mean?
MATCH (u1)-[r1:RATED]-> (m:Movie)<-[r2:RATED]-(u2)
WITH u1, u1_mean, u2, COLLECT({r1:r1,r2:r2}) AS level WHERE size(level)> 10?
MATCH (u2)-[r:RATED]->(m:Movie)
WITH u1,u1_mean,u2,avg(r.rating)AS u2_mean,level
UNWIND level AS r?
WITH sum((r.r1.rating-u1_mean) * r.r2.rating-u2_mean))AS nom,
sqrt(sum((r.r1.rating ?- ?u1_mean)^ 2)* sum((r.r2.rating ?- ?u2_mean)^ 2))AS denom,
u1,u2 WHERE denom <> 0?
WITH u1,u2,nom / denom AS pearson?
ORDER BY pearson DESC LIMIT 10?
MATCH(u2)-[r:RATED]->(m:Movie)WHERE NOT EXISTS((u1)-[:RATED]->(m))
return m.title,SUM(pearson * r.rating) AS score
ORDER BY score DESC LIMIT 25
Neo4j 做推薦 （1）—— 基礎(chǔ)數(shù)據(jù)
Neo4j 做推薦 （2）—— 基于內(nèi)容的過(guò)濾
Neo4j 做推薦 （3）—— 協(xié)同過(guò)濾
Neo4j 做推薦 （4）—— 基于內(nèi)容的過(guò)濾（續(xù)）
Neo4j 做推薦 （5）—— 基于類型的個(gè)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(guò)濾（利用電影評(píng)級(jí)）
Neo4j 做推薦 （9）—— 協(xié)同過(guò)濾（人群的智慧）
Neo4j 做推薦 （10）—— 協(xié)同過(guò)濾（皮爾遜相似性）
