推荐的最佳解决方案答案

【问题标题】：Best Solution for Recommendation推荐的最佳解决方案
【发布时间】：2015-12-11 10:23:59
【问题描述】：

我将找到一个合适的函数，以便根据他们的喜好获得两个人之间的准确相似度。

例如，人与标签相连，他们对每个标签的渴望将作为数值保存在标签节点的边缘。我想向每个人推荐相似的人。

我找到了两个解决方案：

Neo4j 中有一个余弦函数，它只接受一个输入，而在上面的函数中，我需要将向量传递给这个公式。如：

对于“a”：a=[10, 20, 45] 每个数字表示人们对每个标签的渴望。对于“b”：b=[20, 50, 70]

我的问题是这个公式背后的逻辑是什么？ r和H有什么区别？

因为乍一看我认为 H1 或 H2 总是等于一个。除非我应该考虑图表的其余部分。

在此先感谢您的帮助。

【问题讨论】：

【解决方案1】：

我认为H1 和H2 的目的是标准化times 属性（用户吃食物的次数）跨食物类型的结果。您可以在Neo4j console

中试验此示例

由于您提到了其他相似性度量，您可能对此 GraphGist 感兴趣，Similarity Measures For Collaborative Filtering With Cypher。它有一些使用 Cypher 计算 Pearson 相关性和 Jaccard 相似性的简单示例。

【讨论】：

【解决方案2】：

这个例子让人有点难以理解发生了什么。在这个例子中，H1 和 H2 都是 1。一个更好的例子是显示每个人吃不同类型的食物，这样你就可以看到 H 的值在变化。如果“我”也吃了“蔬菜”、“披萨”和“热狗”，那么他们的 H 就是 4。

【讨论】：

【解决方案3】：

对 Neo4J 帮不上忙，只想指出余弦相似度和皮尔逊相关系数本质上是一回事。如果您对不同的符号进行解码，您会发现唯一的区别是 Pearsons 首先将向量归零。因此，您可以如下定义 Pearsons：

Pearsons(a, b) = Cosine(a - mean(a), b - mean(b))

【讨论】：