Empfehlen von Filmen mit zusätzlichen Funktionen mithilfe der gemeinsamen Filterung

Ich versuche ein Empfehlungssystem mit kollaborativer Filterung aufzubauen. Ich habe die üblichen [user, movie, rating]Informationen. Ich möchte eine zusätzliche Funktion wie "Sprache" oder "Filmdauer" integrieren. Ich bin nicht sicher, welche Techniken ich für ein solches Problem verwenden könnte.

Bitte schlagen Sie Referenzen oder Pakete in Python / R vor.

Hier einige Ressourcen, die hilfreich sein könnten:

• Recommenderlab - ein Framework und eine Open Source-Software zum Entwickeln und Testen von Empfehlungsalgorithmen: http://lyle.smu.edu/IDA/recommenderlab . Entsprechendes RPaket recommenderlab: http://cran.r-project.org/package=recommenderlab .

• Der folgende Blogbeitrag zeigt die Verwendung von recommenderlabPaket (die IMHO kann für jede Open - Source - Recommendation Engine verallgemeinert werden) für den Bau Film Empfehlung Anwendung, basierend auf Collaborative Filtering : http://scn.sap.com/community/developer-center/hana / blog / 2013/11/06 / Filmempfehlung durch Hebelwirkung r .

• Recherche zu Empfehlungssystemen - eine nette Webseite mit Ressourcen zum Thema, die von Michael Hahsler, dem leitenden Entwickler von Recommenderlab, unterhalten wird: http://michael.hahsler.net/research/recommender .

• Mortar Recommendation Engine - eine anpassbare Open Source-Empfehlungs-Engine für Hadoopund Pig, geschrieben in Pythonund Java: https://github.com/mortardata/mortar-recsys . Das Unternehmen Mortar Data , das die Entwicklung dieses Projekts sponsert , bietet eine allgemeine kommerzielle Cloud-Plattform für die Entwicklung und das Hosting von Data Science- Softwareprojekten an, einschließlich solcher, die auf den folgenden Quellen basieren Mortar Recommendation Engine(die Entwicklung und das Hosting von öffentlichen Projekten sind kostenlos): http://www.mortardata. com . Mortar Data bietet Hilfe in Form eines öffentlichen Q & A-Forums ( https://answers.mortardata.com ) sowie ein umfassendes Tutorialzum Erstellen einer Empfehlungsengine mit offenen Technologien ( http://help.mortardata.com/data_apps/recommendation_engine ).

• "Introduction to Recommender Systems" - ein relevanter Coursera-Kurs (MOOC), dessen Inhalt und Beschreibung zusätzliche Ressourcen zum Thema bereitstellen: https://www.coursera.org/course/recsys .

• PredictionIO - eine Open-Source-Serversoftware für maschinelles Lernen, mit der Data Science-Anwendungen einschließlich Empfehlungssystemen erstellt werden können : http://prediction.io (der Quellcode ist auf GitHub verfügbar: https://github.com/PredictionIO ). PredictionIOEnthält eine integrierte Empfehlungsengine ( http://docs.prediction.io/current/engines/itemrec/index.html ) und unterstützt eine Vielzahl von Programmiersprachen und Frameworks über RESTfulAPIs sowie SDKs / Plug-Ins. PredictionIO unterhält einen Amazon Machine ImageOn AWS Marketplace für die Bereitstellung von Anwendungen auf der AWS-Infrastruktur: https://aws.amazon.com/marketplace/pp/B00ECGJYGE.

• Weitere themenrelevante Open-Source-Softwareprojekte (auf der MLOSSWebsite zu Open-Source-Software für maschinelles Lernen unter http://www.mloss.org ):

  • Jubatus : http://jubat.us/en
  • MyMediaLite : http://mymedialite.net
  • TBEEF : https://github.com/ChrisRackauckas/TBEEF
  • PREA : http://prea.gatech.edu
  • CofiRank : http://www.cofirank.org

• Die folgenden relevanten R Blog-Beiträge sind ebenfalls interessant:

  • "Einfache Tools zum Erstellen einer Empfehlungs-Engine" ( http://blog.revolutionanalytics.com/2012/04/simple-tools-for-building-a-recommendation-engine.html )
  • "Empfehlungssystem in R" ( http://blog.yhathq.com/posts/recommender-system-in-r.html )

Anstelle der kollaborativen Filterung würde ich den Matrixfaktorisierungsansatz verwenden, bei dem Benutzer und Filme durch Vektoren latenter Merkmale dargestellt werden, deren Punktprodukte die Bewertungen ergeben. Normalerweise wählt man lediglich den Rang (Anzahl der Merkmale) aus, ohne zu berücksichtigen, was die Merkmale darstellen, und der Algorithmus erledigt den Rest. Wie bei PCA ist das Ergebnis nicht sofort interpretierbar, aber es liefert gute Ergebnisse. Sie möchten die Filmmatrix um die von Ihnen erwähnten zusätzlichen Funktionen erweitern und sicherstellen, dass diese fest bleiben, da der Algorithmus die beiden Matrizen mithilfe der Regularisierung schätzt. Die entsprechenden Einträge in der Benutzermatrix werden zufällig initialisiert und dann durch den Matrixfaktorisierungsalgorithmus geschätzt. Es ist ein vielseitiger und performanter Ansatz, aber es erfordert ein gewisses Verständnis des maschinellen Lernens.

Ich habe vor einiger Zeit ein nettes Ipython-Notizbuch gesehen, kann es aber momentan nicht finden. Ich verweise Sie daher auf ein anderes, das zwar nicht so schön ist, aber dennoch einige mathematische Fragen klärt.