我已经训练了一个SVD模型来基于userId推荐物品。然而，有没有办法基于物品列表而不是userId来推荐物品呢？

例如，给定一个物品列表[1,2,3,4,5]，SVD模型找到最相似的物品[9,10]。我的解决方案是为输入列表中的每个物品找到相似的物品[9,10]，然后将共同的物品作为输出。

也就是说，

• 与物品1相似的物品是[9,10,12]，以及
• 与物品2相似的物品是[9,10,13]。

因此，共同的物品是[9,10]，但我不知道是否有更好的方法来做这件事。

回答：

你描述的内容不是很清楚。我猜你是想要基于物品的推荐，就像亚马逊所做的那样？

两个物品之间的相似性可以通过多种方式确定，但一种常见的方法是使用我们之前描述的余弦度量，其中每个向量对应一个物品而不是客户，向量的M维度对应购买该物品的客户。

这个算法需要大量的离线处理来准备最近的物品。一旦完成，对相似物品查询的响应速度非常快。

编辑

一旦你知道每个物品的前k个相似物品，你就有了每个物品对的得分，即两个物品的相似程度，或score(i,j)

给定一个物品列表：[1,2,3]

首先，你为列表中的每个物品找到前k个物品。你也为每个物品有一个得分。假设k=3：

`[100,44,99]`是与物品1最相似的前3个物品。score(1, 100) = 0.84, score(1, 44) = 0.4, score(1, 99) = 0.33score(2, 44 ) = 0.3,  score(2, 33) = 0.2, score(2, 70) = 0.15score(3, 99)  = 0.4,  score(3, 44) = 0.15, score(3, 70) = 0.01

然后你为score([1-3],__)中出现的所有物品聚合得分，也就是说：

score(100) = 0.84score(44) = 0.4 + 0.3 + 0.13 = 0.83score(99) = 0.33 + 0.2 = 0.53score(33) = 0.2score(70) = 0.15+0.01=0.16

排序后，你知道从上到下的物品应该是：

100-> 0.8444 -> 0.8399 -> 0.5333 -> 0.270 -> 0.16

当然，在最终的推荐物品列表中，你可能想要移除任何已经在给定列表中的物品（用户已经拥有的物品）。

请注意，在上面的例子中，尽管物品44出现在3行中，但它们的相似性得分都很低。我们仍然选择物品100作为最佳匹配。直觉是我们累积相似性贡献并比较它们的总体贡献。