Neo4j 做推荐 （6）—— 加权内容算法

除了考虑计算相似性的类型之外，还有更多的特征，如演员和导演。让我们使用加权总和根据他们共同的演员、流派和导演的数量对建议进行评分，以提高分数。根据重叠特征的数量和类型计算加权和：

1
2
3
4
5
6
7
8
9
// Find similar movies by common genres

 MATCH (m:Movie) WHERE m.title = "Wizard of Oz, The"

 MATCH (m)-[:IN_GENRE]->(g:Genre)<-[:IN_GENRE]-(rec:Movie)

 WITH m, rec, COUNT(*) AS gs

 OPTIONAL MATCH (m)<-[:ACTED_IN]-(a:Actor)-[:ACTED_IN]->(rec)

 WITH m, rec, gs, COUNT(a) AS as

 OPTIONAL MATCH (m)<-[:DIRECTED]-(d:Director)-[:DIRECTED]->(rec)

 WITH m, rec, gs, as, COUNT(d) AS ds

 RETURN rec.title AS recommendation, (5gs)+(3as)+(4*ds) AS score ORDER BY score DESC LIMIT 100

分析：

• 首先把movie选择出来
• 把相同流派的电影找出来，并计算流派的总和
• 同理计算出演员和导演
• 根据流派占比5，演员占比3，导演占比4来计算总分值

由此得出与电影 m 具有相似特征的其他电影的排名。

运行结果如下：

• 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）