Merekomendasikan film dengan fitur tambahan menggunakan pemfilteran kolaboratif

Saya mencoba membangun sistem rekomendasi menggunakan pemfilteran kolaboratif. Saya punya [user, movie, rating]informasi yang biasa . Saya ingin memasukkan fitur tambahan seperti 'bahasa' atau 'durasi film'. Saya tidak yakin teknik apa yang bisa saya gunakan untuk masalah seperti itu.

Harap sarankan referensi atau paket dalam python / R.

Berikut beberapa sumber yang mungkin bisa membantu:

• Recommenderlab - sebuah kerangka kerja dan perangkat lunak sumber terbuka untuk mengembangkan dan menguji algoritma rekomendasi: http://lyle.smu.edu/IDA/recommenderlab . RPaket yang sesuai recommenderlab: http://cran.r-project.org/package=recommenderlab .

• Posting blog berikut menggambarkan penggunaan recommenderlabpaket (yang IMHO dapat digeneralisasi untuk mesin rekomendasi sumber terbuka) untuk membangun aplikasi rekomendasi film , berdasarkan pada penyaringan kolaboratif : http://scn.sap.com/community/developer-center/hana / blog / 2013/11/06 / film-rekomendasi-oleh-leveraging-r .

• Penelitian tentang sistem pemberi rekomendasi - laman web yang bagus dengan sumber daya tentang topik tersebut, dikelola oleh pengembang utama Recommenderlab Michael Hahsler: http://michael.hahsler.net/research/recommender .

• Mesin Rekomendasi Mortar - mesin rekomendasi sumber terbuka yang dapat disesuaikan untuk Hadoopdan Pig, ditulis dalam Pythondan Java: https://github.com/mortardata/mortar-recsys . Perusahaan, yang mensponsori pengembangan proyek ini, Mortar Data , menawarkan platform cloud komersial umum untuk pengembangan dan hosting proyek perangkat lunak ilmu data , termasuk yang didasarkan pada Mortar Recommendation Engine(pengembangan dan hosting proyek publik gratis): http: //www.mortardata. com . Data Mortar memberikan bantuan dalam bentuk forum tanya jawab publik ( https://answers.mortardata.com ) serta tutorial yang komprehensifmembangun mesin rekomendasi menggunakan teknologi terbuka ( http://help.mortardata.com/data_apps/recommendation_engine ).

• "Pengantar Sistem Rekomendasi" - kursus Coursera yang relevan (MOOC), yang konten dan uraiannya menyediakan sumber daya tambahan tentang topik ini: https://www.coursera.org/course/recsys .

• PredictionIO - perangkat lunak server pembelajaran mesin sumber terbuka, yang memungkinkan pembuatan aplikasi ilmu data , termasuk sistem rekomendasi : http://prediction.io (kode sumber tersedia di GitHub: https://github.com/PredictionIO ). PredictionIOtermasuk mesin rekomendasi bawaan ( http://docs.prediction.io/current/engines/itemrec/index.html ) dan mendukung berbagai bahasa dan kerangka kerja pemrograman melalui RESTfulAPI serta SDK / plug-in. PredictionIO mempertahankan Amazon Machine Imagepada AWS Marketplace untuk menyebarkan aplikasi pada infrastruktur AWS: https://aws.amazon.com/marketplace/pp/B00ECGJYGE.

• Proyek perangkat lunak open source tambahan , yang relevan dengan topik (ditemukan melalui MLOSSsitus web pada perangkat lunak pembelajaran open source pembelajaran mesin : http://www.mloss.org ):

  • Jubatus : http://jubat.us/en
  • MyMediaLite : http://mymedialite.net
  • TBEEF : https://github.com/ChrisRackauckas/TBEEF
  • PREA : http://prea.gatech.edu
  • CofiRank : http://www.cofirank.org

• R Posting blog yang relevan berikut ini juga menarik:

  • "Alat sederhana untuk membuat mesin rekomendasi" ( http://blog.revolutionanalytics.com/2012/04/simple-tools-for-building-a-recommendation-engine.html )
  • "Sistem Rekomendasi dalam R" ( http://blog.yhathq.com/posts/recommender-system-in-r.html )

Alih-alih penyaringan kolaboratif saya akan menggunakan pendekatan faktorisasi matriks, di mana pengguna dan film sama-sama diwakili oleh vektor fitur laten yang produk titiknya menghasilkan peringkat. Biasanya seseorang hanya memilih peringkat (jumlah fitur) tanpa memperhatikan apa yang diwakili fitur tersebut, dan algoritme melakukan sisanya. Seperti PCA, hasilnya tidak dapat langsung ditafsirkan tetapi memberikan hasil yang baik. Apa yang ingin Anda lakukan adalah memperluas matriks film untuk memasukkan fitur tambahan yang Anda sebutkan dan memastikan bahwa mereka tetap diperbaiki karena algoritma memperkirakan dua matriks menggunakan regularizastion. Entri yang sesuai dalam matriks pengguna akan diinisialisasi secara acak, kemudian diperkirakan oleh algoritma faktorisasi matriks. Ini adalah pendekatan yang fleksibel dan berkinerja tetapi dibutuhkan beberapa pemahaman tentang pembelajaran mesin,

Saya melihat notebook ipython yang bagus beberapa waktu lalu, tetapi saya tidak dapat menemukannya sekarang, jadi saya akan merujuk Anda ke notebook lain yang, walaupun tidak sebagus ini, masih memperjelas beberapa matematika.