Neo4j 做推荐 (11)—— 协同过滤(余弦相似度)

余弦距离: Jaacard相似度对于比较电影很有用,实际上是比较两组(类型、演员、导演等)。但是对于电影评级,每个关系都有一个我们可以考虑的权重。 余弦相似度: 两个用户的余弦相似度将告诉我们两个用户对电影的偏好有多相似。具有高余弦相似度的 … 继续阅读 Neo4j 做推荐 (11)—— 协同过滤(余弦相似度)

Neo4j 做推荐 (10)—— 协同过滤(皮尔逊相似性)

皮尔逊相似性或皮尔逊相关性是我们可以使用的另一种相似度量。这特别适合产品推荐,因为它考虑到不同用户将具有不同的平均评分这一事实:平均而言,一些用户倾向于给出比其他用户更高的评分。由于皮尔逊相似性考虑了均值的差异,因此该指标将解释这些差异。 … 继续阅读 Neo4j 做推荐 (10)—— 协同过滤(皮尔逊相似性)

工作是属于公司的,而职业生涯却是属于你自己的

转载自:大飞码字的朋友们的知识星球 工作是属于公司的,而职业生涯却是属于你自己的! 你所能犯的最大错误就是相信自己是在为别人工作。这样一来你对工作的安全感已然尽失。职业发展的驱动力一定是来自个体本身。记住:工作是属于公司的,而职业生涯却是属 … 继续阅读 工作是属于公司的,而职业生涯却是属于你自己的

Neo4j 做推荐 (9)—— 协同过滤(人群的智慧)

简单的协同过滤 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: 分析: 1. … 继续阅读 Neo4j 做推荐 (9)—— 协同过滤(人群的智慧)

很多时候,成功都是被逼出来的

一、对于创业者来说,每一天都是压力测试 如同每一个还算成功的创业者一样,一路上我遇到的九死一生的事件从来没有少过。其中的艰难坎坷,很多不足为外人道也。虽然互联网创业者可能永远不会遇到像萨利机长一样的极端状况,但是我依然感觉它们冥冥之中有某种 … 继续阅读 很多时候,成功都是被逼出来的

Neo4j 做推荐 (7)—— 基于内容的相似度量标准

相似度量是用于生成个性化推荐的重要组件,这些推荐允许我们量化两个项目的相似程度(或者我们稍后会看到,两个用户偏好的相似程度)。 Jaccard指数是0到1之间的数字,表示两组的相似程度。 两个相同集合的Jaccard指数是1. 如果两个集合 … 继续阅读 Neo4j 做推荐 (7)—— 基于内容的相似度量标准

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: 分析: 首先把movie选择出来 把相同流派的电影找出来,并 … 继续阅读 Neo4j 做推荐 (6)—— 加权内容算法