推荐系统 - 将交易计数转换为星级答案

【问题标题】：Recommendation systems - converting transaction counts to star ratings推荐系统 - 将交易计数转换为星级
【发布时间】：2014-04-09 19:47:18
【问题描述】：

我正在做一些关于推荐系统的探索性工作，并且一直在阅读涉及基于用户、基于项目和 SVD 算法的协同过滤技术。我也在尝试 R 的推荐实验室包。

文献中的一个明显假设是用户数据已根据评级量表标记项目，例如在 1 到 5 星之间。我正在研究用户数据没有评级而只是交易的问题。例如，如果我想向用户推荐餐馆，我拥有的唯一数据是他访问其他餐馆的频率。

如何将这些“交易”计数转换为可供期望固定比例评级的推荐算法使用的评级？我想到的一种方法是简单的分箱：

0 stars = 0-1 visits
1 star  = 2-3 visits
...
5 stars = 10+ visits

但是，这似乎不太好用。例如，如果某人只去过一次餐厅，他可能仍然很喜欢它。

任何帮助将不胜感激。

【问题讨论】：

【解决方案1】：

我会尝试不同的方法。如您所说，仅访问过一次可能表明用户仍然喜欢该餐厅，但您不确定。您的目标不是针对单个用户进行优化，而是针对所有用户进行优化。因此，为此，您可以将数据拆分为训练数据和测试数据。在不同尺度的训练数据上进行训练并在测试数据上进行测试。

不同的尺度可能是

应选择精度最高的方法。

【讨论】：

【解决方案2】：

这里有一个想法：用户去过零次或一次的餐厅不会告诉你他们喜欢什么。他们去过很多次的餐馆告诉你很多。为什么不只寻找与顾客最常光顾的餐厅相似的餐厅呢？通过这种方式，您使用的是正面信息（他们喜欢什么），但没有负面信息，因为您无论如何都无法访问它。

如果您绝对必须推断出一些连续的衡量标准，我认为根据过去的行为来查看再次访问的倾向是明智的。这将从选择该餐厅的先验概率（背景频率，或只是在餐厅上的统一）开始，其可能性项与对该餐厅的访问次数相关。这样一来，用户访问餐厅的次数越多，他们再次访问的可能性就越大。

【讨论】：

谢谢。当您说“为什么不只寻找与顾客最常光顾的餐厅相似的餐厅？”时，这意味着基于项目的协同过滤。但研究文献和我正在使用的软件（R推荐实验室）都表明餐厅需要处于相同的规模，例如我询问的 1-5 星评级。
是的，我明白了。您想使用其他用户的“评分”来推荐任何给定用户应该做什么。我的观点仍然存在——你不能从频率中得出星级。为什么不将用户的分布表示为他们在餐厅的分布（访问频率）而不是一组餐厅：星级条目？据推测，这些技术可以适应这种设置