基于赞的推荐

Question

我很好奇有哪些算法可用于基于相似的推荐。我的意思是人们可以“喜欢”某事，但他们不能“不喜欢”某事。这种场景有什么样的推荐算法。

我有一个想法，但我认为它不可扩展。我的想法是创建一个图表，其中每个喜欢的项目与其他喜欢的项目之间都有一个边缘，边缘容量是同时喜欢这两个项目的用户数量。然后为了给某个用户提供推荐，你扩充了图，使用户成为一个源节点，对用户喜欢的所有项目都有无限的边。用户不喜欢的所有项目都具有到目标节点的无限容量边缘。然后使用 Ford-Fulkerson 运行最大流，并且可以根据目的地的边缘流对推荐进行排序。但是，仔细考虑一下，包含 1000 项或更多项的图表很快就会失控。

我曾考虑过其他系统，例如协作过滤器，但我不确定它们是否能很好地工作，因为没有否决票或多个点赞。因此，“不喜欢”与“尚未喜欢”是无法区分的。

如果有任何想法或资源，我将不胜感激。

Answer 1

有几点你可以使用：

1. “看过和不喜欢”与“没看过”之间存在很大差异。通常，“看到和不喜欢”被用作弱“不喜欢”，然后您可以使用协同过滤。
2. 您仍然可以根据喜欢和一组相似用户（倾向于喜欢相似事物）找到“相似用户” - 您可以推荐他们喜欢的项目。如果两个用户喜欢的项目集具有较高的Jaccard similarity（例如），则可以确定两个用户“相似”，并推荐大部分“相似”用户喜欢的项目。

您可以在文献中搜索更多替代方案，这是过去几年 www conference 上的热门话题，并且新方法一直在发展。