推荐引擎

crab：

yum install python-dev python-numpy python-numpy-dev python-setuptools python-numpy-dev python-scipy libatlas-dev g++

pip install -U scikits.learn -i https://pypi.tuna.tsinghua.edu.cn/simple/

git clone https://github.com/muricoca/crab.git

python setup.py install 

 

 

Model: user item喜好矩阵 (稀疏表示，没有语义信息，可以考虑使用word2vec)

uid:{itemid:preference}

Similarity: 基于user还是item，进行协同过滤

recommender：过滤的方式，比如knn

 

基本上是不太靠谱的实现（过于简单）

 

word2vec-recommender：

用item的上下文来描述一个user，这样词汇表是item的集合，doc就是user的表示，用word2vec 训练后，可以表达语义上的相似性。

 

word2vec：本质是把word，连同所属的上下文环境（context），进行了降维处理，使得降维后的向量，不仅数据用向量的多个维度进行存储，同时能够表达word在语义上的相似性。

推荐引擎：本质是利用item或user喜好的相似性，对user进行合适的推荐。

word2vec在推荐上的应用设想：需要找到word的对应物，以及符合事实的语义上的word的集合（语料库corpus）。

例子：1、item embeding：

1》记录一个用户每天浏览的item集合，

2》把这个集合作为语句进行处理

3》一段时间间隔后，针对单个user的所有语句进行训练

4》针对某个user的item的相似性，体现在word2vec的相似性上。

以上设想成立的条件：某个人的喜好在某个时间段内是稳定的；user自己有喜好但是可能连自己都说不清楚；user的浏览真实的表达了其喜好，即选择看的东西是自己喜欢的。

 

2、user embeding

1》某个item在促销时，记录一天内购买过的user序列

2》统计所有item的购买user序列

3》通过item的向量相似性推荐item

3、已有很多user的选择后，新用户可以进行聚类