在推荐中使用Preference值有什么用（mahout）

Question

我正在尝试使用mahout做一些很棒的事件推荐。

对于练习，我尝试了以下示例 -

https://github.com/RevBooyah/Static-mahout-recommender-tutorial/blob/master/ItemRecommend.java

我有点怀疑在数据模型UserId，ItemId和Preference中使用了3件事情，如下所示 -

但是当我运行带或不带偏好的代码时，结果是相同的，所以我怀疑是什么是首选项的使用？如果在这里它没用，那么它如何用于更好的推荐？

我试图找到它但却一无所获。

有人可以帮助我吗？

Answer 1

您是否正在使用对数似然比的Tanimoto相似性？示例代码使用Tanimoto，因此应根据偏好强度显示不同的推荐强度。这将尝试做一些预测用户评级的事情。它不会影响所有权重，因此要测试您可能需要随机分配权重并与样本数据进行比较。但它对IMO来说并不是很重要。

这是一种古老的方法，可以追溯到Netflix和其他人认为他们想要猜测您的商品评级时。 Netflix和其他大多数人已经远离了这一点，因为正确地排名非常重要，因此用户可以按最佳顺序获得正确的recs。

使用对数似然相似性度量时，排名总是更好 - 对于我已经看过的所有数据，我已经多次测量过质量的差异。 LLR忽略偏好强度，并根据概率方法计算建议，试图预测用户最可能选择的内容。

Ted Dunning描述LLR here