【问题标题】：How do you solve long tail problem in a recommendation system?如何解决推荐系统中的长尾问题？
【发布时间】：2020-10-23 04:25:35
【问题描述】：
我想用一个人是否看过电影的二元评级来制作一个电影推荐系统！我正在使用各种余弦相似度技术，但问题是 长尾
在推荐系统中。我找不到任何使用刚刚查看或不使用（即 0 或 1）的具体解决方案，而不是推荐的评级？还有什么其他流行的算法可以用于相同的。我需要删除长尾问题，
- 我使用了自适应聚类，但它需要许多派生变量，而这些变量在此处不存在。
- 使用了其他方法，例如 Total Clustering，但没有用。
- 使用流行度敏感聚类但同样的问题。
被困在这个长尾问题上，但我的工作甚至没有得到很好的实现，也没有得到帮助但没有任何帮助的研究论文。
每个人都在使用评级或用户数据，但我的工作没有任何用户信息，也没有任何评级，只是二进制值。
【问题讨论】：
标签：
python
machine-learning
data-science
cluster-analysis
recommendation-engine
【解决方案1】：
推荐系统中的Long Tail 问题基本上是关于如何给用户推荐没有很多交互（评分/喜欢）等的项目。因为像cosine similarity 和clustering algorithms 这样的相似性算法无法推荐他们。你需要研究diversity增加算法。
我的意思是，与其计算similarity，不如尝试计算dissimilarity。
这里R是推荐列表，d(i, j)是不相似。
您可以使用surprise 在此处使用matrix factorization 算法生成R。
此外，当您生成user 与item 矩阵时，其中matrix[user_i][item_j] 表示评级，您可以将其转换为1 以显示评级，否则将其转换为0，它仍然可以工作。此外，这些二元评级通常是用户与项目的通话互动。