问题标签 [recommender-systems]

我正在改编来自https://github.com/466152112/HappyResearch/blob/master/happyresearch/src/main/java/happy/research/utils/MoleTrust.java 的Moletrust 算法实现的开源代码应该使计算信任值改编自 Moletrust 创建者撰写的这篇论文“Trust-aware Collaborative Filtering for Recommender Systems”。他们按如下方式计算信任度：“距离源用户为 n 的用户将具有 (d - n + 1)/d 的预测信任值”，其中 d 是最大传播距离。我得到的结果是 1 或零，这是不正确的。希望你能帮我找出错误。

我有以下带有 LightFM 推荐模块的基本代码：

这将返回以下错误：

奇怪的是，对交互数据进行一些更改使其工作，如下所示：

有人可以帮我吗？

我实际上是在 LIRIS（计算机科学研究实验室）的实习船上，我研究推荐系统。我的实习船主管让我做一个关于推荐电影的演讲，感谢 SVD 明天。所以我了解到了这一点。

我认为我理解了 A = US(V^T) 的数学部分，但对于下一步（推荐电影），有些事情对我来说并不是很清楚。我发现了很多知识，但我的头脑并不清楚：D

我不明白 SVD 是计算矩阵 A 中缺失的数字（预测未评价电影的用户的评分），还是我们需要一个密集矩阵 A，将其分解为 3 个矩阵来推荐电影？

对于第一种情况，它是如何工作的？因为我对此一无所知...其次，3个矩阵如何帮助我们推荐电影？我不明白分解矩阵和推荐电影之间的联系。

如果有人可以帮助我，我将非常感激:)

PS：对不起英语，我是法国学生：D

这是我在此的头一篇博文。当谈到 R 时，我是一个新手，所以请记住这一点。我正在使用 CRAN 的推荐实验室库构建推荐系统（基于用户内容的过滤）。

我正在尝试sp_execute_external_script与 SQL Server 2016 一起使用，但无法将结果放入数据帧（存储过程需要）以返回结果。

在那之前一切正常。我尝试过 as.matrix、as.data.frame，使用了多种方法。

这是我的代码：

任何人都可以帮忙吗？

我尝试使用 as.data.frame()、as.matrix() 写入文件，而不是使用 write.table、lapply、writeLines....

谢谢！

我正在研究推荐引擎。我已经使用 Python 惊喜库测试了基于用户的协作过滤 (CF) 和基于项目的 CF。但是，我想测试一种协作过滤（用户和项目）方法，其中要确定的最近邻居不是基于评级的相似性。事实上，我已经建立了用户资料和物品资料。

具体来说，我想：

• 用户协同过滤以获取特定用户，找到与该用户相似的用户（基于类型配置文件与当前用户之间的相似性，然后一旦识别出最近的典型配置文件，我们就会找到属于该用户的 k 个最近邻居识别类型配置文件；相似性不是基于评级）并推荐那些相似用户喜欢的项目。

• 基于项目的协同过滤也是如此

这个想法是要知道对用户和项目的全面了解是否会改进推荐引擎。

有人会想到如何在 Python 中做到这一点？

祝贺你

我们正在开发一个推荐系统，我得到的问题可能是向量本身。

所以，目前公司已经有了向用户列出推荐列表的功能，但是他们使用的每个功能的权重是手动定义的。所以我们决定先训练数据，然后用机器学习的方法获得权重。然后得到用户的反馈，作为下一个推荐预测的标签。

1. 是否有任何理想可以为每个功能获得最佳权重？比如grid_search，梯度下降？

2. 我认为我们不能扁平化（sklearn：一种热编码或 pandas：get_dummies）值是向量的特征。因为我想获得特征的权重，而不是 subfeature_1，subfeaturevalue_2。那么，flatten在这里是行不通的，我得试着改变距离来做呢？但是如何将它们组合在一起（改变距离函数并使用grid_search）？

我现在正在学习 R，现在正在做关于电影推荐算法的项目。我在推荐实验室库中使用了 movielense 100k 数据，并使用了这些教程。 https://mitxpro.mit.edu/asset-v1%3AMITProfessionalX+DSx+2017_T1+type@asset+block@Module4_CS1_Movies.pdf https://cran.r-project.org/web/packages/recommenderlab/vignettes/recommenderlab .pdf

我现在计算了稀疏性，并将数据拆分为训练数据和测试数据。我想制作人气推荐代码。我的代码在这里：

我使用了data2 realRatingMatrix，但是当我运行最后一行时，会发生这样的错误：

（函数（类，fdef，mtable）中的错误：无法找到签名“整数”的函数“推荐者”的继承方法</p>

有人可以帮我看看有什么问题吗？

我必须分解一个大的稀疏矩阵（代表用户的 650 万行 * 代表项目的 650 万列）来查找用户和项目的潜在向量。我在 spark 框架（pyspark）中选择了 als 算法。为了提高质量，我必须将矩阵的稀疏性降低到 98%。（当前值为 99.99%，因为我只有 3.56 亿个已填写条目）。我可以通过删除行或列来做到这一点，但我必须找到最大化行数（用户）的最佳解决方案。主要问题是我必须找到一些用户和项目集的子集，删除一些行可以删除一些列，反之亦然，第二个问题是评估稀疏性的函数不是线性的。我可以通过哪种方式解决这个问题？python中的哪些库可以帮助我？谢谢你。

我想用包的功能评估我的模型Recommenderlab

但我不明白为什么我有这个错误

sample.int(length(x), size, replace, prob) 中的错误：“size”参数无效

我有一个基于内容的推荐器，它可以工作......很好。我相当确定这是解决这个问题的正确方法（将已建立的“用户”与几乎总是新的“项目”匹配，但包含与现有项目相似的已知功能）。

在我研究的过程中，我发现几乎所有基于内容的过滤示例都使用文章/电影作为示例，并且只关注使用来自文本块的编码 tf-idf 特征。这并不是我要处理的问题，但我的大部分特征都是布尔特征，所以制作一个相似的向量并查看余弦距离并不是特别困难。我还有一个连续特征，我对其进行了缩放并包含在向量中。正如我所说，它似乎有效，但非常不稳定，我想我知道部分原因......

我正在使用的连续功能是评分（我们称之为“美味”），其中，几乎在所有情况下，更好的分数表明项目对用户更有利。它是连续的，但它也有一个明确的“方向”（不确定这是否是正确的术语）。一个方向的错误与另一个方向的错误不同。

我有一些用户对“美味”分数平庸的项目给予高评价的案例，但从逻辑上讲，他们仍然更喜欢更美味的东西。该用户的向量可能具有 2.3 的平均美味。我对余弦距离的理解是，在我的模型中，如果该用户遇到两个完全相同的新项目，除了一个具有 1.0 的美味，另一个具有 4.5 的美味，它实际上会偏爱前者，因为它更短向量之间的距离。

我如何在此处修改或合并某种其他类型的距离度量，以考虑到一个方向的美味误差/距离与另一个方向的误差/距离不同？

（作为第二个问题，我如何决定如何最好地在我的布尔特征旁边缩放这个连续特征？）