如何使用graphaware neo4j reco获得基于用户的推荐

我需要通过graphaware获得基于用户的推荐，但我不知道如何做到这一点。就我所见，我似乎从graphaware的neo4j reco中得到的只是类似于“买a的人也买b”的物品。但我感兴趣的是基于用户的推荐，比如“根据您以前的购买情况推荐给您”。你知道怎么做吗？

主要是一个框架，帮助你在neo4j数据库上构建企业级推荐引擎

这意味着它提供了基类和体系结构，您需要用自己的逻辑来扩展自己

如果您考虑您的需求，这里是购买历史，一个非常简单的开始方法是查找所购买产品的特征

假设用户1购买了一部iphone和一部ipad，这两部手机可以具备以下特征：

iphone brand : apple, category: electronics
ipad brand: apple, category: electronics

您可以创建第一个引擎，该引擎将根据这些特征匹配潜在候选项，此引擎将使用以下查询扩展：

MATCH (n:User {id: 111})-[:PURCHASED]->(product)
WITH distinct product
MATCH (product)-[:HAS_CHARACTERISTIC]->(c)<-[:HAS_CHARACTERISTIC]-(reco)
RETURN reco, count(*) AS score

MATCH (n:User {id: 111})-[:PURCHASED]->(product)
WITH distinct product, user
MATCH (product)<-[:PURCHASED]-(collab)
WHERE collab <> user
MATCH (collab)-[:PURCHASED]->(reco)
RETURN reco, count(*) AS score

匹配（n:User{id:111}）-[：购买]->（产品）
产品独特
匹配（产品）-[：具有特征]->（c）（产品）
具有独特的产品、用户
比赛（产品）（记录）
返回记录，计数（*）作为分数

当使用这两个引擎时，GraphAware Reco将自动将每个引擎的分数合并为一个

您可以在测试中找到cyphengine的示例：

您还可以添加一个不推荐用户已经购买的物品的黑名单

正如我所说，这是第一步，如果你有一个很大的目录，有大量的购买，你可以考虑做背景计算（例如，产品之间的相似性，只涉及它们之间的顶级K-NN产品，以及它们之间的购买和相关的类似用户）

为您提供了进行后台计算作业的便利，并提供了用于项目间相似度计算的预定义算法，以及用于将相似度计算过程移到neo4j jvm之外并将结果/关系写回neo4j（非开源）的Apache Spark集成

主要是帮助您在neo4j数据库上构建企业级推荐引擎的框架

这意味着它提供了基类和体系结构，您需要用自己的逻辑来扩展自己

如果您考虑您的需求，这里是购买历史，一个非常简单的开始方法是查找所购买产品的特征

假设用户1购买了一部iphone和一部ipad，这两部手机可以具备以下特征：

iphone brand : apple, category: electronics
ipad brand: apple, category: electronics

您可以创建第一个引擎，该引擎将根据这些特征匹配潜在候选项，此引擎将使用以下查询扩展：

MATCH (n:User {id: 111})-[:PURCHASED]->(product)
WITH distinct product
MATCH (product)-[:HAS_CHARACTERISTIC]->(c)<-[:HAS_CHARACTERISTIC]-(reco)
RETURN reco, count(*) AS score

MATCH (n:User {id: 111})-[:PURCHASED]->(product)
WITH distinct product, user
MATCH (product)<-[:PURCHASED]-(collab)
WHERE collab <> user
MATCH (collab)-[:PURCHASED]->(reco)
RETURN reco, count(*) AS score

匹配（n:User{id:111}）-[：购买]->（产品）
产品独特
匹配（产品）-[：具有特征]->（c）（产品）
具有独特的产品、用户
比赛（产品）（记录）
返回记录，计数（*）作为分数

当使用这两个引擎时，GraphAware Reco将自动将每个引擎的分数合并为一个

您可以在测试中找到cyphengine的示例：

您还可以添加一个不推荐用户已经购买的物品的黑名单

正如我所说，这是第一步，如果你有一个很大的目录，有大量的购买，你可以考虑做背景计算（例如，产品之间的相似性，只涉及它们之间的顶级K-NN产品，以及它们之间的购买和相关的类似用户）

---

为您提供了进行后台计算作业的便利，并提供了用于项目间相似度计算的预定义算法，以及用于将相似度计算过程移到neo4j jvm之外并将结果/关系写回neo4j（非开源）的Apache Spark集成

我有点好奇，如果不是参考其他人买的东西，而这些人也买了与你相同的东西，你认为这样一个系统是如何工作的？如果它引用的唯一信息是您自己的，那么除了您以前购买的产品之外，它还能向您推荐什么？我想您可以推荐同一制造商的其他产品，或者其他制造商的类似产品。单独使用Neo4j应该很容易做到这一点，不过您需要使用图表来跟踪产品类型以及制造商。尽管如此，这是一个巨大的建议库，这就是为什么有信息来补充这一点是有用的，例如其他人购买的物品，他们购买了与你类似的物品。嗯，让我试着澄清一下。neo4j reco的README.md给出了一个“FriendsComputingEngine”的例子，在这里我可以计算我可能认识的人，因为我们有一些共同的朋友。我想知道的是：如果我们有两个实体，用户和项目，并且每个用户都可以“喜欢”几个项目，那么我如何根据特定用户已经“喜欢”的项目为其提供建议。FriendsComputingEngine的基础是找到共同的朋友，共同的朋友越多意味着更强的匹配。“买a的人也买b的人”的方法是类似的，找到购物习惯相似的人，他们买过或喜欢相同种类的物品（更多的共同点可能是更强烈的推荐），然后找到他们喜欢或买过的可以推荐给你的其他东西。我之前提到过查询来自同一制造商的其他项目，或者相同类型的项目。如果你有一个强大的标签系统，那么这也会有所帮助。我不清楚你是在寻找使用什么逻辑的想法，还是你知道逻辑，只是想知道如何使用GraphAware Reco实现它。所以我想问你：你能用密码查询来表达你的“基于用户的”推荐逻辑吗？我有点好奇，如果它没有引用什么，你认为这样的系统是如何工作的