Il semble que vous devriez opter pour celui de l'algorithme de filtrage collaboratif (CF), car les utilisateurs ont un retour explicite sous une forme d'évaluations. Tout d'abord, je suggérerais de mettre en œuvre un algorithme k-Nearest Neighbors basé sur un item/utilisateur simple. Si les résultats ne vous satisfont pas et peut-être que vos données sont très clairsemées, les techniques de factorisation matricielle devraient probablement faire l'affaire. Un bon sondage récemment que j'ai lu était [1] - il présente les différentes méthodes sur différents paramètres de données.
Si vous remplissez à l'aise avec ceci et vous réalisez que ce dont vous avez besoin est en fait une liste classée de prédictions Top-N que les évaluations, je vous suggère de lire par exemple. Classement personnalisé bayésien [2].
Et la meilleure partie est - ces algorithmes sont vraiment bien connus et la plupart d'entre eux sont disponibles pour presque tous les langages de programmation, par exemple. python -.>https://github.com/Mendeley/mrec/
[1] J. Lee, M. Sun, et G. Liban, « Une étude comparative des algorithmes de filtrage collaboratif » ArXiv, pp 1-27, 2012.
[2 ] S. Rendle, C. Freudenthaler, Z. Gantner, et L. Schmidt-thieme, «BPR: Classement bayésien personnalisé à partir de la rétroaction implicite», dans les Actes de la vingt-cinquième Conférence sur l'incertitude dans l'intelligence artificielle, 2009, vol. cs.LG, p. 452-461.