2

我正在构建一个向学生推荐导师的 Rails 应用程序，反之亦然。我需要根据他们的专业（数学、生物等）、经验（初级等）、班级（数学 201 等）、偏好（自我描述的关键字）和评分等多个维度进行匹配。

我查看了一些 Rails 协作推荐引擎（recommendable、recommendify）和 Mahout。就我而言，协作推荐似乎不是最佳选择，因为我有更多结构化数据，这允许进行更结构化的查询。例如，我可以有一个学生的推荐逻辑，例如：

if student looks for a Math tutor in Math 201:
  if there's a tutor in Math major offering tutoring in Math 201 then return
  else if there's a tutor in Math major then sort by experience then return
  else if there's a tutor in quantitative major then sort by experience then return
  ...

我的问题是：

  1. 鉴于我的推荐系统将基于偏好，协作推荐算法有什么好处？

  2. 如果它确实提供了显着的好处，我如何将它与上述基于偏好的推荐结合起来？

  3. 由于我的方法将涉及查询多个表，因此可能效率不高。我该怎么办？

非常感谢。

4

2 回答 2

4

听起来您对兼容性的衡量可以重新制定为一个有利可图的指标。您应该做的是尝试将您的“列”解释为数据维度的不同组成部分。这个想法是你最终应该产生一个二元函数，它返回学生和导师（以及学生/学生和导师/导师）之间兼容性的度量。将此指标扩展到所有类型的数据的动机是，您可以使用此想法将匹配标准重新制定为最近邻搜索：

http://en.wikipedia.org/wiki/Nearest_neighbor_search

这个问题有很多数据结构和解决方案，因为它已经被很好地研究过了。例如，您可以尝试以下经常用于点云数据的库：

http://www.cs.umd.edu/~mount/ANN/

为了稍微优化一下，您还可以尝试通过对数据集运行主成分分析来预过滤数据。这可以让您减少进行最近邻搜索的空间维度，并且通常具有减少一些噪音的额外好处。

http://en.wikipedia.org/wiki/Principal_component_analysis

祝你好运！

于 2012-04-18T06:55:34.580 回答
3

就我个人而言，我认为协同过滤 (cf) 对你很有效。请注意，cf 的中心思想是serendipity。换句话说，添加太多约束可能会导致对用户的推荐不温不火。cf 的重点是根据相似用户提供令人兴奋的相关推荐。您不需要施加如此严格的约束。

如果您可能决定实施自定义 cf 算法，我建议您阅读 Amazon 发表的这篇文章[pdf]，其中讨论了 Amazon 的推荐系统。简而言之，他们使用的算法如下：

for each item I1
    for each customer C who bought I1
        for each I2 bought by a customer
            record purchase C{I1, I2}
    for each item I2
        calculate sim(I1, I2) 
        //this could use your own similarity measure, e.g., cosine based
        //similarity, sim(A, B) = cos(A, B) = (A . B) / (|A| |B|) where A
        //and B are vectors(items, or courses in your case) and the dimensions
        //are customers
return table

请注意，此表的创建将离线完成。在线算法将很快返回推荐。显然，推荐质量非常好。

无论如何，如果您想更好地了解 cf 的总体情况（例如，各种 cf 策略）以及为什么它可能适合您，请阅读那篇文章（别担心，它非常易读）。实现一个简单的 cf 推荐器并不困难。后期可以进行优化。

于 2012-04-21T19:41:57.707 回答