Mahout 等推荐系统中的相似度值如何可信？
How can similarity values in recommendations systems such as Mahout be trusted?
最近一直在研究 Mahout 推荐系统，并成功地用它做了一个简单的推荐系统。但这对我来说没有意义，这些通过数学计算的相似度值如何对推荐系统有用？特别是在 ItemBasedSimilarity 中？我可以理解 2 个用户可以通过他们 like/view/purchase/rate 的项目彼此相似，但是 2 个项目如何彼此相似？
基于项目的相似度（项目-项目相似度）类似于基于用户的相似度（用户-用户相似度）。如您所说，两个用户在项目 like/view/purchase/rate 上彼此相似。类似地，两个项目基于它们共有的某些特征而彼此相似。例如，指环王和霍比特人很相似，因为它们都是奇幻小说，都是[=32写的=].托尔金，书中人物重叠，等等。这通常需要有关项目的更多信息。
现在，基于项目的推荐会查找用户 liked/viewed/purchased/rated 过去推荐过类似项目的项目。它根本看不到其他用户。
算法伪代码如下：
for every item i that u has no preference for yet
for every item j that u has a preference for
compute a similarity s between i and j
add u's preference for j, weighted by s, to a running average
return the top items, ranked by weighted average
基于项目的推荐系统的 运行 时间随着项目数量的增加而增加，而基于用户的推荐系统的 运行 时间随着用户数量的增加而增加。
因为项目之间的相似度更固定，所以它们更适合预计算。预先计算相似性需要工作，但它可以在运行时加快推荐速度。
基于项目的方法是在 Amazon 发明的，以解决基于用户的过滤的规模挑战。
经过一些研究，我在这里找到了答案 (link)。该文章仅显示了 2 个指标（欧氏距离和余弦相似度）的 2 个示例，但它有助于可视化相似度值的计算方式，因此可以信任。
最近一直在研究 Mahout 推荐系统，并成功地用它做了一个简单的推荐系统。但这对我来说没有意义，这些通过数学计算的相似度值如何对推荐系统有用？特别是在 ItemBasedSimilarity 中？我可以理解 2 个用户可以通过他们 like/view/purchase/rate 的项目彼此相似，但是 2 个项目如何彼此相似？
基于项目的相似度（项目-项目相似度）类似于基于用户的相似度（用户-用户相似度）。如您所说，两个用户在项目 like/view/purchase/rate 上彼此相似。类似地，两个项目基于它们共有的某些特征而彼此相似。例如，指环王和霍比特人很相似，因为它们都是奇幻小说，都是[=32写的=].托尔金，书中人物重叠，等等。这通常需要有关项目的更多信息。
现在，基于项目的推荐会查找用户 liked/viewed/purchased/rated 过去推荐过类似项目的项目。它根本看不到其他用户。
算法伪代码如下：
for every item i that u has no preference for yet
for every item j that u has a preference for
compute a similarity s between i and j
add u's preference for j, weighted by s, to a running average
return the top items, ranked by weighted average
基于项目的推荐系统的 运行 时间随着项目数量的增加而增加，而基于用户的推荐系统的 运行 时间随着用户数量的增加而增加。
因为项目之间的相似度更固定，所以它们更适合预计算。预先计算相似性需要工作，但它可以在运行时加快推荐速度。
基于项目的方法是在 Amazon 发明的，以解决基于用户的过滤的规模挑战。
经过一些研究，我在这里找到了答案 (link)。该文章仅显示了 2 个指标（欧氏距离和余弦相似度）的 2 个示例，但它有助于可视化相似度值的计算方式，因此可以信任。