python - 如何使用协同过滤通过用户行为来预测用户？

Question

这似乎是一件很奇怪的事情，但是如何通过他/她的推荐来预测某个用户？

示例:

也许，我们正在做一个关于用户电影评分如何随时间变化的实验。

我们在第一年(2019 年)和第二年(2020 年)对相同的用户和电影进行了调查。

但是我们的数据库崩溃了，所以我们只有第二年的用户推荐，但我们不知道是谁给出的推荐。

我们有:第一年的用户推荐矩阵，如下所示:

第二年的用户推荐矩阵，但没有“目标”列:

<小时/>

因此，根据第一年的数据，我们希望恢复/预测“目标”列 .

通常，协同过滤用于预测电影评分，但这是一个逆向问题。

协同过滤还能用吗？

如果是，应该与算法进行什么样的交互才能解决问题？

或者是否有其他方法或机器学习算法可以做到这一点？

谢谢!

PS:如果您能附上类似任务的 Python 示例，那就太好了!

很抱歉没有在这篇文章中附加真实的数据和任务，由于很多原因我确实无法做到这一点:)

Answer 1

可能有多种方法可以解决这个问题，但我会将其视为 assignment problem 。您基本上想为用户分配 2020 年的电影评级。为此，您必须:

1. 定义为用户分配电影评级的成本。这可以通过定义 2020 年电影评分和 2019 年电影评分之间的距离函数来完成。一个例子是 L2-Norm(欧氏距离)。因此，将 2020 年电影评分 0 ([1, 2, 4, 4, 6]) 分配给用户 id_0 (2019 年评分 = [1, 1, 3, 5, 6]) 将花费 sqrt(3)

2. 使用定义的距离函数构建一个矩阵，反射(reflect)每个用户与 2020 年电影评分的每一行之间的距离(分配成本)

3. 使用 hungarian algorithm 为用户找到 2020 年电影评级的最佳分配(成本最低)。