我有一个关于Mahout中首选项值的含义的问题。《Mahout in Action》一书中写道：
偏好值可以是任何值，只要较大的值意味着更强的积极偏好。例如，这些值可能是评分范围为1到5，其中1表示用户不能进行的项目5表示最爱。
这是否意味着推荐人总是将较小的值解释为负面偏好（不喜欢）？
我正在尝试创建一个没有负面偏好的推荐人。我的意思是，我根本没有偏好，但我可以根据不同的加权指标（点击/编辑次数、编辑量、编辑方式等）来导出它们。然而，在我的实现中，当用户编辑了某个页面时，这并不意味着用户不喜欢该页面，而是在一定程度上喜欢它（正如我上面所描述的，喜欢的程度是派生出来的）。
我试过只使用布尔偏好（Log-likelehood和Tanimoto相似性），但它们表现不佳，在大多数情况下，它们无法产生推荐（在moore中为50%）。
我想利用数字来获得偏好，这样推荐会更好，但我不确定如何。我尝试过将偏好值从5导出到10，然后每个用户对人造物品的偏好值都为1（意味着不喜欢它）。然而，我认为这不是一个好方法，因为这意味着每个用户都不喜欢同一个项目。
有人更清楚我如何应用一些只有"积极"（喜欢）偏好值的基于用户和基于项目的算法吗？
如果你的意思是，你能仅仅基于积极的行动得到合理的结果吗？当然是的。这是常见的情况。如何解释偏好值在很大程度上取决于你使用的算法，但对于任何算法，我认为用所有正值编码所有积极行为都没有任何问题。这是一个简单的案例。"1"本质上不是负面评级，不是。
不过，您关于相似性度量的观点与值无关。听起来你的数据很稀疏。这是一个单独的问题。
其余的我不确定我是否理解。您使用的值取决于您的域。我会让它们与它们的"力量"或价值成比例。例如，如果视频观看频率是视频共享的20倍，则可以使视频共享作为动作的值比单击高20倍。这是一个不错的起点。
您应该尝试：
- 隐式偏好CCD_ 1（基于hadoop）
- 或者隐式偏好CCD_ 2和CCD_
在这些项目中，分配给用户对某个项目的偏好的数字表示该关联的强度，而不是评级，因此它们都是积极的关联，只是强度不同。通过这种方式，您可以对不同的交互进行建模，如查看、编辑、单击等。尽管分配给每个交互的强度会根据您的特定业务而有所不同。
这个演示（链接）应该能让你大致了解正在发生的事情。此外，本文（链接）描述了因子分解器的隐式反馈变体（它们是相同的，只是用来用hadoop缩放）