README

此库应使查找不同事物之间的推荐和相似性变得更简单。我为它开发了一些用例

• 向用户推荐音乐专辑/艺术家列表
• 推荐与用户当前阅读的文章类似的文章
• 找到与另一个用户有相同价值观的其他用户（想想配对 ;)

安装

将此库安装到项目的最简单方法是使用 composer

$ composer require stojg/recommend

使用

假设我们有一些数据，其中用户对音乐艺术家在1到5的范围内进行了评分

$artistRatings = array(
	"Abe" => array(
		"Blues Traveler" => 3,
		"Broken Bells" => 2,
		"Norah Jones" => 4,
		"Phoenix" => 5,
		"Slightly Stoopid" => 1,
		"The Strokes" => 2,
		"Vampire Weekend" => 2
	),
	"Blair" => array(
		"Blues Traveler" => 2,
		"Broken Bells" => 3,
		"Deadmau5" => 4,
		"Phoenix" => 2,
		"Slightly Stoopid" => 3,
		"Vampire Weekend" => 3
    ),
	"Clair" => array(
		"Blues Traveler" => 5,
		"Broken Bells" => 1,
		"Deadmau5" => 1,
		"Norah Jones" => 3,
		"Phoenix" => 5,
		"Slightly Stoopid" => 1
	)
);

然后我们将这些数据加载到 Data 类中

$data = new \stojg\recommend\Data($artistRatings);

如果我们想找到布莱尔可能喜欢的艺术家，我们执行推荐方法。

$recommendations = $data->recommend('Blair', new \stojg\recommend\strategy\Manhattan());
var_export($recommendations);

该计算的结果将是

array (
  0 => array (
	'key' => 'Norah Jones',
	'value' => 4,
  ),
  1 => array (
	'key' => 'The Strokes',
	'value' => 2,
  )
)

这意味着布莱尔可能喜欢 Norah Jones 而不喜欢 The Strokes。

推荐器通过在 $artistRatings 中找到与布莱尔评分相似的某人来工作。在这种情况下，结果是艾贝，然后它尝试找到艾贝评分但布莱尔没有评分的艺术家，并将它们作为推荐列表返回。

“最近邻”的查找方式取决于选择哪种策略以及数据集的大小和密度。

数据集

一般来说，数据集越大越好。它必须按照以下格式格式化为数组

array(
	'uniqueID' => array(
		'objectID' => (int)'rating'
	)
);

在先前的艺术家评分示例中

* uniqueID = Blair
* objectID = Music Artist
* rating = an numeric value

策略

目前有三种策略，选择哪种策略取决于数据的组织和填充方式。

曼哈顿

如果数据密集（几乎所有的 objectID 在完整数据集中都有非空评分）并且属性值（评分）的大小很重要，这是一个很好的策略。

即所有用户都对所有音乐艺术家进行了评分，并且他们都在同一尺度上达成一致。

皮尔逊

如果数据密集但评分存在评分膨胀，请使用此策略。

即如果用户A对所有艺术家进行了2-4的评分，而用户B对所有艺术家进行了4-5的评分，此策略试图补偿用户A的2分等于用户B的4分的事实。

余弦

如果数据稀疏，请选择此策略。

即如果有包含一万个艺术家的列表，用户很可能只听了其中的一小部分并对其进行了评分。

文章

提供了一个辅助类，用于推荐与另一篇文章类似的文章。实现相当简单，但它应该会给你一个提示，告诉你如何使用自己的数据集扩展此库。

用法

$articleData = new \stojg\recommend\ArticleData();
$allArticles = getFromDatabase();
foreach($allArticles as $article) {
       $articleData->push($article->id, $article->content);
   }
  $recommendedArticle = $articleData->recommend($articleID = 4);