Neo4j 做推荐 （11）—— 协同过滤（余弦相似度）

余弦距离：

Jaacard相似度对于比较电影很有用，实际上是比较两组（类型、演员、导演等）。但是对于电影评级，每个关系都有一个我们可以考虑的权重。

余弦相似度：

两个用户的余弦相似度将告诉我们两个用户对电影的偏好有多相似。具有高余弦相似度的用户将具有类似的偏好。

根据余弦相似度，找到与Cynthia Freeman 最相似偏好的用户。

1
2
3
4
5
6
7
8
// Most similar users using Cosine similarity

MATCH (p1:User {name: "Cynthia Freeman"})-[x:RATED]->(m:Movie)<-[y:RATED]-(p2:User)

WITH COUNT(m) AS numbermovies, SUM(x.rating * y.rating) AS xyDotProduct,

SQRT(REDUCE(xDot = 0.0, a IN COLLECT(x.rating) | xDot + a^2)) AS xLength,

SQRT(REDUCE(yDot = 0.0, b IN COLLECT(y.rating) | yDot + b^2)) AS yLength,

p1, p2 WHERE numbermovies > 10

RETURN p1.name, p2.name, xyDotProduct / (xLength * yLength) AS sim

ORDER BY sim 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）