Neo4j 做推荐 （10）—— 协同过滤（皮尔逊相似性）

皮尔逊相似性或皮尔逊相关性是我们可以使用的另一种相似度量。这特别适合产品推荐，因为它考虑到不同用户将具有不同的平均评分这一事实：平均而言，一些用户倾向于给出比其他用户更高的评分。由于皮尔逊相似性考虑了均值的差异，因此该指标将解释这些差异。

根据皮尔逊的相似度，找到与Cynthia Freeman最相似的用户

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
MATCH (u1:User {name:"Cynthia Freeman"})-[r:RATED]->(m:Movie)

WITH u1, avg(r.rating) AS u1_mean

 

MATCH (u1)-[r1:RATED]->(m:Movie)<-[r2:RATED]-(u2)

WITH u1, u1_mean, u2, COLLECT({r1: r1, r2: r2}) AS ratings WHERE size(ratings) > 10

 

MATCH (u2)-[r:RATED]->(m:Movie)

WITH u1, u1_mean, u2, avg(r.rating) AS u2_mean, ratings

 

UNWIND ratings AS r

 

WITH sum( (r.r1.rating-u1_mean) * (r.r2.rating-u2_mean) ) AS nom,

     sqrt( sum( (r.r1.rating - u1_mean)^2) * sum( (r.r2.rating - u2_mean) ^2)) AS denom,

     u1, u2 WHERE denom <> 0

 

RETURN u1.name, u2.name, nom/denom AS pearson

ORDER BY pearson DESC LIMIT 100

• Neo4j 做推荐 （1）—— 基础数据
• Neo4j 做推荐 （2）—— 基于内容的过滤
• Neo4j 做推荐 （3）—— 协同过滤
• Neo4j 做推荐 （4）—— 基于内容的过滤（续）
• Neo4j 做推荐 （5）—— 基于类型的个性化建议
• Neo4j 做推荐 （6）—— 加权内容算法
• Neo4j 做推荐 （7）—— 基于内容的相似度量标准
• Neo4j 做推荐 （8）—— 协同过滤（利用电影评级）
• Neo4j 做推荐 （9）—— 协同过滤（人群的智慧）
• Neo4j 做推荐 （10）—— 协同过滤（皮尔逊相似性）
• Neo4j 做推荐 （11）—— 协同过滤（余弦相似度）
• Neo4j 做推荐 （12）—— 协同过滤（基于邻域的推荐）