问如果我使用的是SIMILARITY_LOGLIKELIHOOD (LLR)，是否真的忽略了项目评级？

EN

LLR不使用强项。其理论是，如果用户实际与某一项交互，这就是所需的全部指示。LLR将根据一种称为对数似然比的概率计算，将这种交互与其他用户的交互和评分联系起来。它确实创造了优势，但只使用交互的数量。

应答

1. 这可能是一个bug，也可能是因为您在一种情况下使用布尔推荐器，而在另一种情况下使用非布尔型。我可能认为，推荐者正试图通过考虑到这些值来提供评级。但是，如果您试图优化排名，那么这一切都不重要。
2. 你真的不需要看推荐权重，除非你试图预测评级，这种情况现在很少发生。相信recs的排名。

顺便说一句，马赫特现在有了一个全新的新一代推荐人，其基础是使用搜索引擎来提供推荐服务，使用Mahout来计算模型。与较早的Hadoop版本相比，它有许多优点，包括：

1. 多模:它可以在许多不同的项目集上摄取许多不同的用户操作。这允许您使用大部分用户的点击流来推荐。
2. 实时结果:它在Solr或弹性搜索中有一个非常快速的可伸缩服务器。
3. 由于实时性，它可以推荐给新用户或有很近历史的用户。较老的Hadoop推荐者只向培训数据中的用户和项目推荐--他们无法对没有用于培训的历史做出反应。新推荐者可以使用实时收集的数据，甚至对新用户也是如此。

在Mahout1.0-快照或更高版本中的新的多模式推荐器在这里描述：

• 马赫特遗址
• 一本免费的电子书，它谈到了一般的想法：实用机器学习
• 幻灯片板，它讨论混合操作或其他指示符:创建统一多模推荐器
• 两篇博客文章：推荐人中的新事物:第一部分和推荐人中的新事物:第二部分
• 一篇描述日志似然比的文章：惊喜与巧合 LLR用于降低数据中的噪声，同时保持计算的O(n)复杂度。