构建产品推荐系统、协同过滤和图数据库

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。