추천 시스템 - 트랜잭션 수를 별표로 변환

Question

나는 추천 시스템에 대한 몇 가지 조사 작업을하고 있으며 사용자 기반, 항목 기반 및 SVD 알고리즘과 관련된 협업 필터링 기술에 대해 읽었습니다. 나는 또한 R의 추천 패키지를 시험 중이다. 문헌에 명백한 하나의 가정은 사용자 데이터가 등급 척도 (rating scale)에 기초하여 항목들을 라벨링했다는 것이다. 1 ~ 5 개의 별. 사용자 데이터에 평점이 아니라 트랜잭션 만있는 문제를보고 있습니다. 예를 들어 레스토랑을 사용자에게 추천하고 싶다면 그가 가지고있는 유일한 데이터는 그가 다른 레스토랑을 자주 방문한 빈도입니다.

어떻게 이러한 "트랜잭션"개수를 고정 배율 등급을 예상하는 권장 알고리즘에서 사용할 수있는 등급으로 변환 할 수 있습니까? 내가 생각한 한 가지 접근법은 단순한 비닝이다 :

0 stars = 0-1 visits 
1 star = 2-3 visits 
... 
5 stars = 10+ visits 

그러나 그것은 잘 작동하는 것처럼 보이지 않는다. 예를 들어 누군가 레스토랑을 한 번만 방문했다해도 그는 여전히 그 레스토랑을 정말 좋아할 것입니다.

도움을 주시면 감사하겠습니다.

Answer 1

다른 접근 방식을 시도합니다. 당신이 말했듯이, 한 번 방문한 사용자는 여전히 레스토랑을 좋아하지만 확실하지는 않습니다. 목표는 모든 사용자가 아닌 단일 사용자를 위해 최적화하는 것이 아닙니다. 이를 위해 데이터를 교육 및 테스트 데이터로 분리 할 수 ​​있습니다. 훈련 데이터를 다른 척도로 훈련시키고 테스트 데이터를 테스트하십시오. (방문 : 결코 방문하지, 1 0)

서로 다른 저울

• 바이너리 규모가 될 수있다. 이것은 주로 온라인 상점에서 사용됩니다 (구입 여부). 한 번 방문으로 귀하의 assuption을 지원할 것입니다.

• 5 개의 별에 대해 제시된 눈금 또는 다른 범위. 5 개 이상의 별을 사용할 수도 있습니다. 0-1 방문을 그룹화하지 않을 가능성이 있습니다.

최상의 정확도를 가진 접근 방식을 선택해야합니다.

Answer 2

사용자가 0 회 또는 1 회 방문한 레스토랑은 좋아하는 것에 대해 알려주지 않습니다. 그들이 여러 번 방문한 레스토랑은 많은 것을 말해줍니다. 왜 고객이 가장 자주 방문하는 레스토랑과 비슷한 레스토랑을 찾으십니까? 이런 식으로, 당신은 긍정적 인 정보 (좋아하는 것)를 사용하고 있지만 어쨌든 당신이 그것에 접근 할 수 없기 때문에 부정적인 정보는 없습니다.

만약 당신이 절대적으로 어떤 지속적인 측정을 추측해야한다면, 나는 과거의 행동을 통해 다른 방문에 대한 성향을 관찰하는 것이 현명 할 것이라고 생각합니다. 이것은 해당 레스토랑 방문 횟수와 관련된 가능성있는 용어로 해당 레스토랑 (배경 빈도 또는 레스토랑에 대한 단순한 균일도)을 선택할 확률로 시작합니다. 이런 방식으로 사용자가 식당을 더 많이 방문할수록 다시 방문 할 가능성이 높아집니다.