智能网络功能，算法（您可能关注的人，与您类似...）

作者: 荀彧.
发布时间: 2025-01-08 08:29:04 (14天前)
转自：

4 条回复

0#
回复此人
薄情 | 2019-08-31 10-32

<div class =“post-text”itemprop =“text”> <OL> <LI> 的<strong> 人们你可以关注 </强> 来自Twitter博客 - “建议基于几个因素，包括您关注的人和他们关注的人” <a href="http://blog.twitter.com/2010/07/discovering-who-to-follow.html" rel="nofollow"> http://blog.twitter.com/2010/07/discovering-who-to-follow.html </A> 因此，如果您按照A和B并且他们都遵循C，那么Twitter将向您推荐C ... </LI> <LI> 的<strong> 你是如何连接功能的 </强> 我想你已经回答了这个问题。 </LI> <LI> 的<strong> 与你相似 </强> 如上所述，正如你所说，虽然结果可能是缓存的 - 所以它只在每个会话中完成一次，或者甚至可能不那么频繁...... </LI> </醇> <P> 希望有所帮助，克里斯 </p> </DIV>

编辑
1#
回复此人
大黑骡子王 | 2019-08-31 10-32

<div class =“post-text”itemprop =“text”> <H2> 你可以关注的人 </H2> <P> 可能是许多类型的推荐算法之一 <a href="http://en.wikipedia.org/wiki/Collaborative_filtering" rel="nofollow noreferrer"> 协同过滤 </A> ？ </p> <H2> 你是如何联系的 </H2> <P> 这只是社交图上的最短路径算法。假设连接没有重量，它将简单地使用 <a href="http://en.wikipedia.org/wiki/Breadth-first_search" rel="nofollow noreferrer"> 广度优先 </A> 。 </p> <H2> 与你相似 </H2> <P> 只需使用相同的算法重新排列数据集的<strong> 你可以关注的人 </强> 。 </p> <P> 看看这本书 <a href="http://www.amazon.ca/Programming-Collective-Intelligence-Building-Applications/dp/0596529325" rel="nofollow noreferrer"> 编程集体智慧 </A> 用于很好地介绍用于的算法类型的<strong> 你可以关注的人 </强> 和的<strong> 与你相似 </强> ，它也有很棒的python代码。 </p> </DIV>

编辑
2#
回复此人
满目山河 | 2019-08-31 10-32

<div class =“post-text”itemprop =“text”> <P> 我不使用twitter;但考虑到这一点： </p> <P> 1）。从表面上看，这并不困难：对于我追随的每个人，看看他们跟随谁。然后，对于他们关注的每个人，看看他们跟随谁，等等。当然，你走的越深，所需的数字越多。 </p> <P> 你可以更进一步，如果你也可以有效地提取相反的：对于我跟随的人，谁也跟着他们？ </p> <P> 对于这两种方式，什么是未说明的是一种方法来衡量推特，看看他们是否是我真正想要关注的人：自由追随者也可能跟随保守的推特，但这并不意味着我想跟随保守的（见＃3）。 </p> <P> 2）。不确定，想一想...... </p> <P> 3）。假设生物和推文是唯一可行的，那么困难的部分是： </p> <UL> <LI> 决定应该存在哪些属性（政治派别，主题类型等） </LI> <LI> 清理每个140个字符到数据挖掘。 </LI> </UL> <P> 一旦拥有了正确的属性集，就会想到两种不同的算法： </p> <UL> <LI> K表示聚类，以决定我倾向于区分哪些属性。 </LI> <LI> N-最近邻居，为了找到N个最相似的高音扬声器给出我倾向于给予重量的属性。 </LI> <LI> 编辑：实际上，决策树可能是更好的方法来做所有这些...... </LI> </UL> <P> 这都是推测性的，但如果有人获得报酬，这听起来很有趣。 </p> </DIV>

编辑

登录后才能参与评论