協調フィルタリングとコンテンツ機能の両方を統合する推奨システムを作成するにはどうすればよいですか？

私は推奨システムを作成しており、「類似」ユーザーの評価とアイテムの機能の両方を組み込みたいと考えています。出力は予測評価[0-1]です。ニューラルネットワークを検討しています（そもそも）。

したがって、入力は、アイテムの機能と各ユーザーの評価の組み合わせです。アイテムAとユーザー1の場合、システムは結合されたデータA1でトレーニングできます。これはトレーニングの例の1つです。

ユーザー1が映画Bも評価した場合はどうなりますか？では、データB1もトレーニングの例でしょうか？この方法でユーザー1の機能を使用してトレーニングを繰り返すことに問題はありますか？

問題に取り組むより良い方法について何か提案はありますか？

問題を完全に理解する前に、なぜニューラルネットワークを検討するのですか？

協調フィルタリングの標準的な行列因数分解メソッドは、コンテンツ機能を簡単に活用できます。ベイジアン設定でこれを行う方法の例については、マッチボックスのペーパーを参照してください。

マトリックス分解とコンテンツ機能の統合に関する3つの論文（ここでは、具体的にはトピックモデル）：

• ディーパックアガルワルとビーチョンチェン。2010. fLDA：潜在的ディリクレ配分による行列分解。Web検索とデータマイニングに関する第3回ACM国際会議の議事録（WSDM '10）。ACM、ニューヨーク、ニューヨーク、アメリカ、91-100。
• Hanhuai ShanとArindam Banerjee。2010.協調フィルタリングのための一般化確率行列因数分解。2010年データマイニングに関するIEEE国際会議の議事録（ICDM '10）。IEEE Computer Society、ワシントンDC、米国、1025〜1030。
• Chong WangとDavid M. Blei。2011.科学論文を推奨するための共同トピックモデリング。第17回ACM SIGKDD国際会議の議事録で、知識の発見とデータマイニング（KDD '11）。ACM、ニューヨーク、ニューヨーク、米国、448-456。

私はまた、この問題について少し説明している自分のブログエントリを宣伝します。 トピックモデルと潜在要素モデルとの出会い

ニューラルネットワークアプローチの必要はありません。協調フィルタリングはそれ自体がアルゴリズムです。特にあなたの問題については、cfとrecomenderシステムの良い説明があります：

ml-class.org

（XVI：Recommender Systemsを探してください）。これはエレガントでシンプルです。正しく行うと（つまり、ベクトル化された形式、高速な最小化機能、準備された勾配を使用すると）、かなり高速になる可能性があります。