关于推荐引擎的建议

Question

什么是快速的“如果用户A和用户B喜欢产品C，他们可能会有兴趣互相关注”的算法？我认为在运行时计算它们的相似度并不够聪明，因为它会减慢响应速度。另一方面，计算隔夜指数将需要进行（N * N-1）次不同的运行，其中N是用户数量......也不是很聪明。此外，每当用户喜欢新产品或新用户注册时，都必须重新计算索引。

那么，在这里可以应用最聪明的方法是什么？一些超快速散列算法，然后只添加新项？

- Preslav Rachev

Answer 1

在我大学学习算法的课程中，有一个涉及到这种问题的算法。他们推荐的方法是为每对用户计算一个“相似度”指数（我猜这就是你提到的N*N方法），然后根据这个指数确定哪些用户与特定用户最接近。

当然，你不需要立即重新计算每次更改的相似度指数，只需要偶尔进行一次，就像搜索引擎爬虫一样。事实上，一旦你计算出初始指数，你可以使用各种启发式方法来更频繁地重新计算那些快速更改其偏好的用户，而对于那些很少更改偏好的用户则更慢。

- Tudor

Answer 2

你有没有考虑过使用RDF数据库？比如OWLIM http://www.ontotext.com/owlim

- andreadi