Recommander des films avec des fonctionnalités supplémentaires à l'aide du filtrage collaboratif

J'essaie de construire un système de recommandation en utilisant le filtrage collaboratif. J'ai les [user, movie, rating]informations habituelles . Je voudrais incorporer une fonctionnalité supplémentaire comme la «langue» ou la «durée du film». Je ne sais pas quelles techniques je pourrais utiliser pour un tel problème.

Veuillez suggérer des références ou des packages en python / R.

Voici quelques ressources qui pourraient être utiles:

• Recommenderlab - un framework et un logiciel open source pour développer et tester des algorithmes de recommandation: http://lyle.smu.edu/IDA/recommenderlab . RPackage correspondant recommenderlab: http://cran.r-project.org/package=recommenderlab .

• Le billet de blog suivant illustre l'utilisation du recommenderlabpackage (qui à mon humble avis peut être généralisé pour tout moteur de recommandation open source) pour créer une application de recommandation de film , basé sur un filtrage collaboratif : http://scn.sap.com/community/developer-center/hana / blog / 2013/11/06 / movie-recommendation-by-leveraging-r .

• Recherche sur les systèmes de recommandation - une belle page Web avec des ressources sur le sujet, maintenue par le développeur principal de Recommenderlab Michael Hahsler: http://michael.hahsler.net/research/recommender .

• Moteur de recommandation de mortier - un moteur de recommandation personnalisable open source pour Hadoopet Pig, écrit en Pythonet Java: https://github.com/mortardata/mortar-recsys . La société, qui parraine le développement de ce projet, Mortar Data , propose une plate-forme cloud commerciale générale pour le développement et l'hébergement de projets de logiciels de science des données , y compris ceux basés sur Mortar Recommendation Engine(le développement et l'hébergement de projets publics sont gratuits): http: //www.mortardata. com . Mortar Data fournit de l'aide sous forme de forum public de questions / réponses ( https://answers.mortardata.com ) ainsi qu'un didacticiel completsur la construction d'un moteur de recommandation utilisant des technologies ouvertes ( http://help.mortardata.com/data_apps/recommendation_engine ).

• "Introduction to Recommender Systems" - un cours Coursera pertinent (MOOC), dont le contenu et la description fournissent des ressources supplémentaires sur le sujet: https://www.coursera.org/course/recsys .

• PredictionIO - un logiciel serveur open source d'apprentissage automatique qui permet de créer des applications de science des données , y compris des systèmes de recommandation : http://prediction.io (le code source est disponible sur GitHub: https://github.com/PredictionIO ). PredictionIOinclut un moteur de recommandation intégré ( http://docs.prediction.io/current/engines/itemrec/index.html ) et prend en charge un large éventail de langages de programmation et de cadres via des RESTfulAPI ainsi que des SDK / plug-ins. PredictionIO maintient un Amazon Machine Imagesur AWS Marketplace pour déployer des applications sur l'infrastructure AWS: https://aws.amazon.com/marketplace/pp/B00ECGJYGE.

• Projets logiciels open source supplémentaires , pertinents pour le sujet (découverts via un MLOSSsite Web sur les logiciels open source d' apprentissage automatique: 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

• Les R articles de blog pertinents suivants sont également intéressants:

  • "Outils simples pour créer un moteur de recommandation" ( http://blog.revolutionanalytics.com/2012/04/simple-tools-for-building-a-recommendation-engine.html )
  • "Système de recommandation dans R" ( http://blog.yhathq.com/posts/recommender-system-in-r.html )

Au lieu d'un filtrage collaboratif, j'utiliserais l'approche de factorisation matricielle, dans laquelle les utilisateurs et les films sont représentés par des vecteurs de fonctionnalités latentes dont les produits scalaires donnent les notes. Normalement, on sélectionne simplement le rang (nombre d'entités) sans égard à ce que les entités représentent, et l'algorithme fait le reste. Comme PCA, le résultat n'est pas immédiatement interprétable mais il donne de bons résultats. Ce que vous voulez faire, c'est étendre la matrice du film pour inclure les fonctionnalités supplémentaires que vous avez mentionnées et vous assurer qu'elles restent fixes pendant que l'algorithme estime les deux matrices en utilisant la régularisation. Les entrées correspondantes dans la matrice utilisateur seront initialisées de manière aléatoire, puis estimées par l'algorithme de factorisation matricielle. C'est une approche polyvalente et performante, mais cela nécessite une certaine compréhension de l'apprentissage automatique,

J'ai vu un joli cahier ipython il y a quelque temps, mais je ne le trouve pas pour le moment, je vais donc vous référer à un autre qui, bien qu'il ne soit pas aussi agréable, clarifie encore certains calculs.