第一本推荐的是O’Reilly的《图数据库》 《图数据库》 本书系统地介绍了图数据库的历史由来、建模方法、工作原理和一些真实的用户用例,详细地说明了图数据解决的是什么样的问题,并以Neo4j数据库和Cypher查询语言为例,阐述了图数据库的 … 继续阅读 推荐几本图数据库-Neo4j 的书给你
标签: Neo4j教程
Neo4j 做推荐 (8)—— 协同过滤(利用电影评级)
协同过滤: 使用网络中其他用户的首选项,评级和操作来查找要推荐的项目。 (买这个东西的用户,还买了那个东西) 用户Misty Williams的所有评分 查找Misty的平均评分: 哪些是Misty 评分超过平均分的电影: 由此,通过计算M … 继续阅读 Neo4j 做推荐 (8)—— 协同过滤(利用电影评级)
Neo4j 做推荐 (12)—— 协同过滤(基于邻域的推荐)
kNN——K近邻 现在我们有了一种基于偏好查找类似用户的方法,下一步是允许每个k个最相似的用户投票选择应该推荐的项目。 主要有: &n … 继续阅读 Neo4j 做推荐 (12)—— 协同过滤(基于邻域的推荐)
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)
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)
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
Neo4j 做推荐 (4)—— 基于内容的过滤(续)
Neo4j 做推荐 (2)—— 基于内容的过滤 前文只是简单描述了内容过滤的概念和简单演示。 在此,我们将从具体实例来介绍如何使用基于内容的过滤方法来给用户推荐电影。 首先,基于共同类型的相似性,如果用户看过《Inception … 继续阅读 Neo4j 做推荐 (4)—— 基于内容的过滤(续)
Neo4j 做推荐 (3)—— 协同过滤
协同过滤简单来说是利用某兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的信息 执行结果是: 分析: 此Cypher 语句的意思是:找出对电影《Crimson Tide》 进行过评分的用户,还对哪些电影进行过评分?并对这些被评分的电影,进 … 继续阅读 Neo4j 做推荐 (3)—— 协同过滤