图数据库在食谱推荐中的应用
图数据库
常用使用场景
社交应用场景：好友推荐，社交关系梳理（粉丝关注），怎么通过最少的人认识特朗普？
知识图谱：把错乱的关系网，快速的搜索出你需要的东西
推荐场景：
零售、电商、内容等个性推荐，挖掘用户需求，提升用户体验导航城市规划：最短路径
金融领域：资产交易图
节点画像：设备画像，用户画像等
基本概念
节点（V）：人、电影、食谱、食材
节点属性（VP）:人的岁数、身高、年龄、职业
关系（E）：人和电影之间的关系（喜欢 ，点赞，评分等）
关系属性（EP）：人对电影的评分的分值
标签（Label）：对节点和关系进行分类的 用户(user)，设备(device)
比关系型数据库更适合做关系数据库
主体：用户---食谱
常见的推荐逻辑
item ==> item
根据内容推荐相似食谱(食材、营养、标签等)
user ==> item ==> user
推荐制作记录推荐相似用户
user ==> item ==> user ==> item
根据相似度最高的用户推荐他常用的食谱
图数据库库中常用的推荐
内容过滤
协同过滤
余弦相似度
皮尔逊相似度
领域推荐
内容推荐
顾名思义是根据内容来做为推荐
食谱食材内容相似推荐：I2I
小鸡炖蘑菇和香菇炖鸡相同食材
可以找到和香菇炖鸡食材相同的食谱排序
还可以用食谱标签、食谱营养成分等内容作为推荐
Jaccard距离 u2i2u
公式：
根据制作过相同食谱的用户推荐相似用户
并集：取的是全量食谱
交集：取得是相同制作过的食谱
余弦相似度 u2i2u
公式：
样本数据：
用户A和用户B算余弦相似度
合集余弦：（正确的余弦相似度）
交集余弦：（有一定缺失的余弦相似度）
由于图数据库逻辑合并取参数逻辑，损失一部分值的余弦相似度计算方法
精确度问题
A与C的情况怎么办？
制作相同过食谱后
扩大食谱样本
就是说只发生在新用户已经少量制作的用户上，也就是合集较少的情况，在食谱样本扩大的时候以及用户制作过相同食谱之后，两个影响差值会缩小，也就是说用户越做推荐的越准确。经常制作的用户，样板偏差会被拉小。
皮尔逊相似度 u2i2u
公式：
样本数据：
用户A和用户B算皮尔逊相似度
空值预期为用户制作的平均次数
合集皮尔逊：
交集皮尔逊：
对比余弦相似度：
两个公式差距就是空值预期（零、平均数）,公式是可以互推的
领域推荐 u2i2u2i
根据相似度最高的用户推荐食谱（拿余弦相似度作为参考）
用户之间的相似度：
用户A--->用户B--->0.617
用户A--->用户C--->0.954
用户A--->用户D--->0.796
==》取到前两个相似用户C、用户D
==》红烧肉 =8x0.954+0x0.796=7.632
==》辣椒炒肉 =1x0.954+1x0.796=1.75
==》也就是加权求和排序，加权和大的在前面
良好推荐期望值：
功能全面个性化推荐
效果精准
性能快
实际的推荐场景里，功能、效果、性能三者相辅相成、也彼此互相影响，很多时候要进行折中的考虑
一、选取相似度算法问题
性能：余弦相似度>>皮尔逊相似度
准确度：余弦相似度<皮尔逊相似度
在阿里云GDB初始阶段我们会使用余弦相似度来做为用户之间相似度系数
二、数量级别过大全量计算过慢(数据筛选)
根据相似度最高的用户推荐食谱
采用数据过滤的方式
万/十万/百万 ==> 找到相同制作食谱最多的人
千/万==> 协同过滤
十/百==> 加权求和
三、冷数据问题
四、超时截断
超时后选取热门数据进行补足