Neo4j 做推荐 （5）—— 基于类型的个性化建议

如果我们知道用户看过了哪些电影，我们可以使用此信息来推荐类似的电影：

1
2
3
4
5
6
7
8
// Content recommendation by overlapping genres

 MATCH (u:User {name: "Angelica Rodriguez"})-[r:RATED]->(m:Movie),

   (m)-[:IN_GENRE]->(g:Genre)<-[:IN_GENRE]-(rec:Movie) WHERE NOT EXISTS( (u)-[:RATED]->(rec) )

 WITH rec, [g.name, COUNT(*)] AS scores

 RETURN rec.title AS recommendation, rec.year AS year,

 COLLECT(scores) AS scoreComponents,

 REDUCE (s=0,x in COLLECT(scores) | s+x[1]) AS score

 ORDER BY score DESC LIMIT 10

返回结果如下：

分析：

1. 确定用户Angelica
2. 找出用户评过分的电影m
3. 把被评分的电影的流派找出来（g:Genre)
4. 通过流派g再返回去搜索属于该流派的电影 （rec:Movie)，并且是Angelica 没有评过分的那部分电影
5. 返回电影，根据流派名称数量来打分 —— [g.name, COUNT(*)] AS scores
6. 把Scores 列表中的数据列出来 —— COLLECT(scores) AS scoreComponents,
7. 从Scores 列表中，把名称数量提取出来相加，作为得分 —— REDUCE (s=0,x in COLLECT(scores) | s+x[1]) AS score
8. 按得分高低排序

这里运用到了几个函数和表达式：

1. [‘a’, ‘b’, ‘c’] AS list

    Literal lists are declared in square brackets.

2. collect(n.property)

    List from the values, ignores null.

3. reduce(s = “”, x IN list | s + x.prop)

    Evaluate expression for each element in the list, accumulate the results.

备注：

[g.name, COUNT(*)] AS scores

这句话想了很久什么意思。因为最终是要返回rec 记录，假设我们已经找到了rec，那么rec 记录中的每一条，它的流派是清晰的。那么它的流派，在 m 中出现过多少次，就是 [g.name, count(*)] 的结果。

• 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/83215494
版权声明：本文为博主原创文章，转载请附上博文链接！