基于标签向用户推荐内容的算法
我正在寻找一种好的算法，可以通过计算用户和内容对象之间的相似度向用户推荐内容对象。为了计算它，我们有内容对象标签（元数据）和用户的兴趣数据。
我们可以通过两种方式了解用户的兴趣：
- 明确询问他：要求他对特定内容项进行评分。 对项目集合从最不喜欢到最喜欢进行排名。
- 隐式方法：通过观察用户随时间访问的内容类型来学习。 我想两者兼而有之。
请推荐一些文章或论文来分析一些好的方法？
I am looking for a good algorithm that can recommend content objects to user by calculating similarity between user and content object. To calculate it, we have the content object tags (meta data) and user's interest data.
We can learn about user's interest in two ways:
- Explicitly asking him: Ask him to rate a particular content item.
to rank a collection of items from least fav to most fav. - Implicit ways: Learn by observing what kind of content a user accesses over the time.
I want to implement a bit of both.
Please suggest some articles or papers that shows analysis of some good approaches?
如果你对这篇内容有疑问，欢迎到本站社区发帖提问 参与讨论，获取更多帮助，或者扫码二维码加入 Web 技术交流群。
绑定邮箱获取回复消息
由于您还没有绑定你的真实邮箱，如果其他用户或者作者回复了您的评论，将不能在第一时间通知您！
发布评论
评论（3）
这是一个活跃的研究领域，因此有很多关于该主题的论文。尝试例如 Freund 等人的“一种用于组合偏好的有效提升算法”。机器学习研究杂志卷。 4 在 http://jmlr.csail.mit.edu/papers/卷4/freund03a/freund03a.pdf
This is an active area of research, so there are lots of papers on the topic. Try for example "An efficient boosting algorithm for combining preferences" by Freund et al. The Journal of Machine Learning Research vol. 4 at http://jmlr.csail.mit.edu/papers/volume4/freund03a/freund03a.pdf
书籍：《行动中的集体智慧》，作者：Satnam Alag。
Book: "Collective Intelligence in Action" by Satnam Alag.
查看维基百科中的 Netflix 奖项参考部分。
Check out the Netflix Prize Reference section in wikipedia.