我正在为一个演示应用程序构建一个简单的推荐/建议引擎，该应用程序维护一个人的列表。对于每个人，它会跟踪他们的饮食习惯，具体偏好如下：
- 饮食类型：素食/非素食/纯素食
- 喜欢的菜系：印度菜、墨西哥菜、意大利菜等（一个人可以喜欢不止一种）
- 餐食类型及具体时间：早餐、午餐、晚餐、正餐
- 特殊饮食：生酮饮食、血型饮食、阿特金斯饮食等
- 最喜欢的蔬菜：菠菜、西兰花等
- 食物过敏要求
- 位置 – 城市、区域、街道等
一旦系统获取这些数据后，我需要构建一个简单的建议引擎 –
- 对于任何选定的人，建议10个在饮食习惯上最兼容的其他人。
- 对于选定的一组人（假设x，最多5人），建议系统中的x + 10（这里是15）人，使得所选组中每个人至少与另一人有兼容的习惯。组中人的顺序无关紧要。
我的理解是，我不需要对未知数据进行未来预测，因此实际上不需要机器学习。我所需要的只是基于现有数据集的统计兼容性进行建议。规则主要基于人们与其饮食习惯的关系。
我的理解正确吗？这个问题可以完全通过像Neo4j这样的图数据库解决吗？还是我真的需要使用Tensorflow构建一个神经模型？
回答：
确定选择哪一种的最简单方法是回答这个更具体的问题。数据是开放世界还是封闭世界。
如果你是一个原始的星际迷航粉丝，那么可以这样想：Spock需要所有的数据才能回答（封闭世界），而Captain Kirk在回答之前不需要所有信息（开放世界）。
看到你有在给出解决方案之前所需的所有数据，我会说你有一个封闭世界的问题，这应该使用Neo4j。
然而，作为逻辑编程的粉丝，我的个人偏好是使用Prolog，特别是SWI-Prolog或Mercury。
