Neo4j 做推荐 （9）—— 协同过滤（人群的智慧）

简单的协同过滤

1
2
3
4
5
MATCH (u:User {name: "Cynthia Freeman"})-[:RATED]->(:Movie)<-[:RATED]-(o:User)

MATCH (o)-[:RATED]->(rec:Movie)

WHERE NOT EXISTS( (u)-[:RATED]->(rec) )

RETURN rec.title, rec.year, rec.plot

LIMIT 25

上面的简单的过滤方法其实存在很多问题，例如不基于流行度来进行规范或不考虑评级。

只考虑用户喜欢的类型

许多推荐系统融合了协同过滤和基于内容的方法，对于特定用户，哪些类型的评分高于平均水平？用它来评分类似的电影：

1
2
3
4
5
6
7
8
9
10
11
12
13
MATCH (u:User {name: "Andrew Freeman"})-[r:RATED]->(m:Movie)

WITH u, avg(r.rating) AS mean

 

MATCH (u)-[r:RATED]->(m:Movie)-[:IN_GENRE]->(g:Genre)

WHERE r.rating > mean

 

WITH u, g, COUNT(*) AS score

 

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

WHERE NOT EXISTS((u)-[:RATED]->(rec))

 

RETURN rec.title AS recommendation, rec.year AS year, COLLECT(DISTINCT g.name) AS genres, SUM(score) AS sscore

ORDER BY sscore DESC LIMIT 10

分析：

1. 用户u评过的电影的平均分

2. 找出用户u评过的高于平均分的电影的分类，并对分类计数

3. 找出这些分类的相关的电影，并且这些电影是用户u没有评过分的

4. 找出电影分类中影片数最多的前10部电影

• 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）