如何使用协同过滤通过用户行为预测用户？答案

【问题标题】：How to use collaborative filtering to predict users by their behavior?如何使用协同过滤通过用户行为预测用户？
【发布时间】：2020-02-05 13:08:04
【问题描述】：

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呢？

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。

但是我们的数据库已经崩溃了，所以我们只有第二年的用户推荐，但我们不知道给出了谁的推荐。

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：

因此，通过第一年的数据，我们希望恢复/预测“目标”列 .

通常使用协同过滤来预测电影收视率，但这是逆向问题。

还可以使用协同过滤吗？

如果是，应该对算法进行什么样的交互来解决问题？

或者是否有其他方法或 ML 算法可以做到这一点？

谢谢！

P.S.：如果您将 Python 示例附加到类似的任务中，那就太好了！

很抱歉没有在这篇文章中附上真实的数据和任务，我真的不能这样做有很多原因:)

【问题讨论】：

【解决方案1】：

可能有几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：

定义为用户分配电影评级的成本。这可以通过定义 2020 年电影收视率和 2019 年电影收视率之间的距离函数来完成。一个例子可以是 L2-Norm（欧几里得距离）。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)
使用定义的距离函数构建矩阵，反映每个用户与 2020 年电影评分的每一行之间的距离（分配成本）
使用hungarian algorithm为用户找到 2020 年电影评分的最佳分配（成本最低）

【讨论】：