Algorithm 如何建立电影推荐系统？ 最好的方法是什么 使用的算法是什么？他们的长处和短处是什么 为什么当前的电影推荐系统不能提供好的推荐

来自贝尔科尔的一支球队赢得了比赛。因此，可以说，这种方法可能是最好的方法

为了给这些推荐系统如何工作提供一个高层次的、直观的解释，请考虑下面的情况。我每周看两次《星球大战》。现在，如果你不得不向我推荐一部我喜欢的电影，你会选择哪部电影？哈里森·福特的电影？科幻电影？也许是一部80年代的电影

推荐系统背后的一个重要思想是，他们越了解你喜欢什么（即，什么类型、演员等），他们就能给出更好的推荐

然而，如果你的口味相互矛盾（例如，你喜欢拯救大兵莱恩，但也喜欢关于和平主义者的电影），那么很难向你推荐一部电影

简言之，许多推荐算法需要知道：

您喜欢什么：这涉及到了解录制您喜欢的电影时使用的功能集。例如，电影的类型是什么，电影中有哪些演员等

什么电影和你喜欢的相似。这涉及到根据您在上一步中使用的特征集查找良好的相似性度量

---

这是一个非常开放的问题，涉及许多不同的概念

作为一个初步的讨论点，考虑一下。它广泛应用于类似于电影选取器的问题中。该算法的一个大问题是，在决定分割特征空间时使用了多少个维度，并选择每个维度的属性，以便每个维度都增加值，而不是复制另一个维度的值时，需要人工输入

与k-NN算法直接相关的是算法领域。当您绘制数据点以获取在更分散的离群值中具有聚集的信息时，您可以直观地看到聚集点中存在某种相似性。您可能能够轻松地将一些分散的异常值与一个或另一个束进行分组，但在可以与两个或多个竞争束匹配的束之间会有许多点。解决此难题的唯一方法是向数据点添加更多维度参数，以便将这些未提交的异常值绘制到一个束中。（按照链接查看聚集数据的精美图片。）

本简介引出下一个概念：。这门课程是数学的重头戏，是理论计算科学、统计学、人工智能、机器学习和千里眼领域大量研究的主题。最后一个半开玩笑，但它指出了问题的症结所在：计算机如何预测你将来会做什么？简单的回答是它不能。较长的答案试图解释为什么你的品味和情绪会在看似随机的时间以看似随机的方向变化。一个好的模式识别系统可能会挑选20部你真正喜欢的电影，然后从另20部你非常讨厌的电影中推荐另一部。系统在哪里失败了？是在算法实现过程中，还是在功能空间维度的初始参数选择过程中，还是因为其他人使用您的Netflix帐户订购了“鸭子霍华德”、“巡航”和“海滩”而导致您的个人资料混乱

---

“模式识别”的维基百科页面列出了许多不同的算法和方法。你可以从那里开始阅读，更好地把握个人的长处和短处。你也可以试着在堆栈中问这个问题，以获得长头发的答案。

也许是回答这个问题的更好地方，“为什么大多数电影推荐系统都很糟糕？”听起来不像是一个编程问题。也许我对站长的看法不对。stackexchange。这根本不是一个可以回答的问题。请不要把它扔到另一个网站上。@Wooble仅仅因为你不知道答案并不会使这个问题无法回答。如果它不适合堆栈溢出，我可以理解。我不明白为什么，毕竟这是一个算法问题。@melhosseiny-这个问题太广泛了。阅读NetFlix奖项和分类系统，然后提出有针对性的问题。这个问题类似于问：“我想让我的电脑用英语与我对话。我该怎么做？”