如何解决构建产品推荐系统、协同过滤和图数据库
当我阅读有关使用协同过滤构建推荐系统的文章时,他们通常不会谈论像 neo4j 这样的图形数据库。图数据库是否足以实现最佳推荐系统?
看起来他们可以比这里提到的方法更容易实现实时推荐:https://eugeneyan.com/writing/real-time-recommendations/
我应该注意的任何弱点,或者像 neo4j 之类的东西是否非常适合该任务,不需要其他任何东西?
解决方法
Neo4j 非常适合解决这个问题。您必须意识到的是,当您扩展到数百万用户并将其存储到 Neo4j 时,使用批处理来计算用户或项目之间的相似性是有意义的。然后,您可以提供非常快的响应时间。如果您想在每一步计算数百万用户之间的相似度,这可能不是最有效的过程。因此,这是预先计算的相似性和动态相似性计算之间的权衡。例如,您可以每天预先计算商品之间的相似性,并将购买 x 天的窗口作为您的“训练”数据。然后,您可以轻松提供“用户也购买了此产品”的建议。还可以选择使用更高级的技术(如 GNN)来提供建议。例如看这个项目:https://github.com/AliciaFrame/GDS_Retail_Demo
总而言之,Neo4j 完全适用于推荐,已经有一些关于推荐和图表 (Neo4j) 的书籍。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。