关于推荐引擎

Question

什么是快速“如果用户A和用户B喜欢产品C，他们可能有兴趣互相关注”算法。我认为在运行时计算它们的相似性并不够智能，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）个不同的运行，其中N是用户的数量......也不是非常聪明。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。

这里可以应用的最聪明的事情是什么？某种超快速散列，然后只添加新项目？

Answer 1

在我在Uni的课程中学习的算法中，有一个处理这样的事情。他们推荐的方法是为每对用户计算一个“相似性”索引（我猜这是你提到的N * N方法），然后根据这个确定特定用户最接近的用户。

当然，您不需要立即重新计算每次更改的相似性索引，只需一次，就像搜索引擎爬虫一样。实际上，一旦计算出初始索引，就可以使用各种启发式方法为更快地更改其首选项的用户重新计算，而对于那些只是很少更改它们的用户来说则更慢。

Answer 2

您是否考虑过RDF数据库？ 像OWLIM http://www.ontotext.com/owlim