版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/lovehouye/article/details/83514779
简单的协同过滤
MATCH (u:User {name: "Cynthia Freeman"})-[:RATED]->(:Movie)<-[:RATED]-(o:User)
MATCH (o)-[:RATED]->(rec:Movie)
WHERE NOT EXISTS( (u)-[:RATED]->(rec) )
RETURN rec.title, rec.year, rec.plot
LIMIT 25
上面的简单的过滤方法其实存在很多问题，例如不基于流行度来进行规范或不考虑评级。
只考虑用户喜欢的类型
许多推荐系统融合了协同过滤和基于内容的方法，对于特定用户，哪些类型的评分高于平均水平？用它来评分类似的电影：
MATCH (u:User {name: "Andrew Freeman"})-[r:RATED]->(m:Movie)
WITH u, avg(r.rating) AS mean
MATCH (u)-[r:RATED]->(m:Movie)-[:IN_GENRE]->(g:Genre)
WHERE r.rating > mean
WITH u, g, COUNT(*) AS score
MATCH (g)<-[:IN_GENRE]-(rec:Movie)
WHERE NOT EXISTS((u)-[:RATED]->(rec))
RETURN rec.title AS recommendation, rec.year AS year, COLLECT(DISTINCT g.name) AS genres, SUM(score) AS sscore
ORDER BY sscore DESC LIMIT 10分析：
1. 用户u评过的电影的平均分
2. 找出用户u评过的高于平均分的电影的分类，并对分类计数
3. 找出这些分类的相关的电影，并且这些电影是用户u没有评过分的
4. 找出电影分类中影片数最多的前10部电影
扫描二维码关注公众号，回复：
4099538 查看本文章
