Apache mahout 推荐器 - 我应该为每个用户重新创建数据模型吗？

Question

我是 Apache Mahout 推荐器的新手。用例涉及根据用户的购买历史向用户提供建议。 我打算使用以下信息：

• 购买类别
• 购买金额
• 购买时间（例如 - 在购买第一条牛仔裤 6 个月后推荐一条牛仔裤）
• 用户位置

为了识别具有相似购买模式/购买时间的用户并给予他们更多的偏好，我是否必须为每个用户制作自定义数据模型？ 我计划定期从数据库导入以重新创建数据模型。 有没有办法像下面提到的那样动态给予偏好：

1. 位置+购买类别+时间匹配
2. 购买类别+时间匹配
3. 位置 + 时间匹配（例如冬装）

目前我正在使用提供的示例代码。 （需要大量修改）

UserSimilarity similarity = new PearsonCorrelationSimilarity(model);
        UserNeighborhood neighborhood = new ThresholdUserNeighborhood(0.1, similarity, model);
        UserBasedRecommender recommender = new GenericUserBasedRecommender(model, neighborhood, similarity);
        List<RecommendedItem> recommendations = recommender.recommend(74, 10);

Answer 1

一般来说，要实现您的建议，您需要对数据执行一个步骤，在其中添加t_since_last_purchase 之类的功能，该功能位于整数 0 -> inf 中。例如。自上次购买后的天数。

时间这个特征将是另一个相关的用户特征。

我认为您正在查看一些较旧的基于 Map-Reduce 的推荐者——它们实际上是一流的——但考虑到您的用例，您可能需要查看 coorelated cooccurence based reccomenders，它具有显着的优势，即能够查看用户的多项活动（在您的情况下是位置、以前的购买、时间）。