Neo4j 做推荐 （10）—— 协同过滤（皮尔逊相似性）

皮尔逊相似性或皮尔逊相关性是我们可以使用的另一种相似度量。这特别适合产品推荐，因为它考虑到不同用户将具有不同的平均评分这一事实：平均而言，一些用户倾向于给出比其他用户更高的评分。由于皮尔逊相似性考虑了均值的差异，因此该指标将解释这些差异。

皮尔逊相似性公式

根据皮尔逊的相似度，找到与Cynthia Freeman最相似的用户

MATCH (u1:User {name:"Cynthia Freeman"})-[r:RATED]->(m:Movie)

WITH u1, avg(r.rating) AS u1_mean

MATCH (u1)-[r1:RATED]->(m:Movie)<-[r2:RATED]-(u2)

WITH u1, u1_mean, u2, COLLECT({r1: r1, r2: r2}) AS ratings WHERE size(ratings) > 10

MATCH (u2)-[r:RATED]->(m:Movie)

WITH u1, u1_mean, u2, avg(r.rating) AS u2_mean, ratings

UNWIND ratings AS r

WITH sum( (r.r1.rating-u1_mean) * (r.r2.rating-u2_mean) ) AS nom,

sqrt( sum( (r.r1.rating - u1_mean)^2) * sum( (r.r2.rating - u2_mean) ^2)) AS denom,

u1, u2 WHERE denom <> 0

RETURN u1.name, u2.name, nom/denom AS pearson

ORDER BY pearson DESC LIMIT 100

Neo4j 做推荐 （1）—— 基础数据

Neo4j 做推荐 （2）—— 基于内容的过滤

Neo4j 做推荐 （3）—— 协同过滤

Neo4j 做推荐 （4）—— 基于内容的过滤（续）

Neo4j 做推荐 （5）—— 基于类型的个性化建议

Neo4j 做推荐 （6）—— 加权内容算法

Neo4j 做推荐 （7）—— 基于内容的相似度量标准

Neo4j 做推荐 （8）—— 协同过滤（利用电影评级）

Neo4j 做推荐 （9）—— 协同过滤（人群的智慧）

Neo4j 做推荐 （10）—— 协同过滤（皮尔逊相似性）

Neo4j 做推荐 （11）—— 协同过滤（余弦相似度）

Neo4j 做推荐 （12）—— 协同过滤（基于邻域的推荐）