Neo4j 做推荐 （12）—— 协同过滤（基于邻域的推荐）

kNN——K近邻

现在我们有了一种基于偏好查找类似用户的方法，下一步是允许每个k个最相似的用户投票选择应该推荐的项目。

主要有：                       

“与我的电影最相似的电影中有10个用户是谁？他们评价的电影有多高，我还没看过呢？”

使用Pearson相似度的kNN电影推荐

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
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 level WHERE size(level)> 10 

 

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

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

 

UNWIND level 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 

 

WITH u1,u2,nom / denom AS pearson 

ORDER BY pearson DESC LIMIT 10 

 

MATCH(u2)-[r:RATED]->(m:Movie)WHERE NOT EXISTS((u1)-[:RATED]->(m))

 

return m.title,SUM(pearson * r.rating) AS score

ORDER BY score DESC LIMIT 25

• 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）

作者：imHou
来源：CSDN
原文：https://blog.csdn.net/lovehouye/article/details/83515103
版权声明：本文为博主原创文章，转载请附上博文链接！