如何创建同时集成了协作过滤和内容功能的推荐系统？

我正在创建一个推荐系统，并希望合并“相似”用户的等级和商品功能。输出是预测的等级[0-1]。我正在考虑使用神经网络（首先）。

因此，输入是项目特征和每个用户的评分的组合。对于项目A和用户1，可以在组合数据A1上训练系统。这将是一个培训示例。

如果用户1也对电影B评分，该怎么办？那么，数据B1也会成为训练示例吗？以这种方式用用户1的特征重复训练是否有问题？

您对解决问题的更好方法有何建议？

在完全理解问题之前，为什么要考虑使用神经网络？

用于协作过滤的标准矩阵分解方法能够轻松利用内容功能。有关如何在贝叶斯设置中完成此操作的示例，请参阅Matchbox论文。

关于将矩阵分解与内容特征集成的三篇论文（此处为主题模型）：

• 迪帕克·阿加瓦尔（Deepak Agarwal）和陈美中（Bee-Chung）。2010。fLDA：通过潜在狄利克雷分配的矩阵分解。在第三届ACM国际Web搜索和数据挖掘国际会议论文集（WSDM '10）中。美国纽约州纽约市ACM，91-100。
• Hanhuai Shan和Arindam Banerjee。2010。用于协同过滤的广义概率矩阵分解。在2010年IEEE数据挖掘国际会议（ICDM '10）的会议记录中。IEEE计算机协会，华盛顿特区，美国，​​1025-1030。
• 王冲和David M. Blei。2011。用于推荐科学文章的协作主题建模。在第17届ACM SIGKDD国际会议上，有关知识发现和数据挖掘的会议（KDD '11）。美国纽约州纽约市，ACM，448-456。

我还将推广自己的博客条目，以讨论此问题： 主题模型满足潜在因素模型

不需要神经网络方法，协作过滤本身就是一种算法。特别是对于您的问题，在以下位置对cf和recomender系统有很好的描述：

ml-class.org

（查找XVI：推荐系统）。它是优雅，简单的，而且如果操作正确（即使用矢量化形式，快速最小化器和已准备好的渐变），它可能会非常快。