如何使用协同过滤来预测用户的行为？
How to use collaborative filtering to predict users by their behavior?
这似乎是一件很奇怪的事情，但是如何通过his/her推荐来预测某个用户？
示例：
也许，我们正在做一个关于用户电影评分如何随时间变化的实验。
我们在第一年（2019 年）和第二年（2020 年）对相同的用户和电影进行了调查。
但是我们的数据库崩溃了，所以我们只有第二年的用户推荐，不知道是谁推荐的
我们有：第一年的用户推荐矩阵，像这样：
和第二年的用户推荐矩阵，但没有 'target' 列：
所以，通过第一年的数据，我们要recover/predict 'target'列.
通常，协同过滤用于预测电影评分，但这是一个逆向问题。
协同过滤还能用吗？
如果是，应该对算法进行什么样的交互才能解决问题？
或者是否有其他方法或 ML 算法可以做到这一点？
谢谢！
P.S.: 如果你能附上 Python 类似任务的例子，那就太好了！
很抱歉没有将真实的数据和任务附加到这个 post，我确实不能这样做有很多原因:)
可能有几种方法可以解决这个问题，但我会将其视为 assignment problem。您基本上想为用户分配 2020 年的电影评级。为此，您必须：
定义为用户分配电影评级的成本。这可以通过定义 2020 年电影评级和 2019 年电影评级之间的距离函数来完成。一个例子可以是 L2-Norm（欧氏距离）。因此，将 2020 年电影评分 0 ([1, 2, 4, 4, 6]) 分配给用户 id_0（2019 年评分 = [1, 1, 3, 5, 6]）将花费 sqrt(3)
使用您定义的距离函数构建一个矩阵，反映每个用户与 2020 年电影评分的每一行之间的距离（分配成本）
这似乎是一件很奇怪的事情，但是如何通过his/her推荐来预测某个用户？
示例：
也许，我们正在做一个关于用户电影评分如何随时间变化的实验。
我们在第一年（2019 年）和第二年（2020 年）对相同的用户和电影进行了调查。
但是我们的数据库崩溃了，所以我们只有第二年的用户推荐，不知道是谁推荐的
我们有：第一年的用户推荐矩阵，像这样：
和第二年的用户推荐矩阵，但没有 'target' 列：
所以，通过第一年的数据，我们要recover/predict 'target'列.
通常，协同过滤用于预测电影评分，但这是一个逆向问题。
协同过滤还能用吗？
如果是，应该对算法进行什么样的交互才能解决问题？
或者是否有其他方法或 ML 算法可以做到这一点？
谢谢！
P.S.: 如果你能附上 Python 类似任务的例子，那就太好了！
很抱歉没有将真实的数据和任务附加到这个 post，我确实不能这样做有很多原因:)
可能有几种方法可以解决这个问题，但我会将其视为 assignment problem。您基本上想为用户分配 2020 年的电影评级。为此，您必须：
定义为用户分配电影评级的成本。这可以通过定义 2020 年电影评级和 2019 年电影评级之间的距离函数来完成。一个例子可以是 L2-Norm（欧氏距离）。因此，将 2020 年电影评分 0 (
[1, 2, 4, 4, 6]) 分配给用户 id_0（2019 年评分 =[1, 1, 3, 5, 6]）将花费 sqrt(3)使用您定义的距离函数构建一个矩阵，反映每个用户与 2020 年电影评分的每一行之间的距离（分配成本）
- 为用户找到 2020 年电影评级的最佳分配（成本最低）