这里有一些可能有用的资源：

• Recommenderlab - 用于开发和测试推荐算法的框架和开源软件。对应的R 包推荐实验室。

• 以下博客文章说明了使用recommenderlab包（恕我直言，可以将其推广到任何开源推荐引擎）基于协同过滤构建电影推荐应用程序。

• 推荐系统研究——一个很好的网页，包含有关该主题的资源，由 Recommenderlab 的首席开发人员 Michael Hahsler 维护。

• Mortar Recommendation Engine - 一个开源的可定制推荐引擎，用于Hadoop和Pig，用Python和Java。赞助本项目开发的公司Mortar Data提供通用商业云平台，用于开发和托管数据科学软件项目，包括基于Mortar Recommendation Engine（公共项目开发和托管免费）的项目： http://www.mortardata。 com。Mortar Data 以公共问答论坛( https://answers.mortardata.com )的形式提供帮助，以及使用开放技术构建推荐引擎的综合教程(http://help.mortardata.com/data_apps/recommendation_engine）。

• “推荐系统简介” - 相关的 Coursera 课程 (MOOC)，其内容和描述提供了有关该主题的额外资源。

• PredictionIO - 一个开源机器学习服务器软件，允许构建数据科学应用程序，包括推荐系统 （源代码可在 GitHub 上获得）。PredictionIO包括一个内置的推荐引擎( http://docs.prediction.io/current/engines/itemrec/index.htmlRESTful )，并通过API 和 SDK/插件支持广泛的编程语言和框架PredictionIO 维护一个Amazon Machine Imageon AWS Marketplace，用于在 AWS 基础设施上部署应用程序。

• 与主题相关的其他开源软件项目（通过机器学习开源软件MLOSS网站发现： http ://www.mloss.org ）：

  • 朱巴图斯
  • MyMediaLite
  • TBEEF
  • PREA
  • CofiRank

• 以下相关R 博客文章也很有趣：

  • “构建推荐引擎的简单工具”
  • “R中的推荐系统”

我将使用矩阵分解方法代替协同过滤，其中用户和电影都由潜在特征的向量表示，其点积产生评级。通常，人们只选择等级（特征数量）而不考虑特征代表什么，其余的由算法完成。与 PCA 一样，结果不能立即解释，但会产生良好的结果。您要做的是扩展电影矩阵以包含您提到的其他功能，并确保它们保持固定，因为算法使用正则化估计两个矩阵。用户矩阵中的相应条目将被随机初始化，然后通过矩阵分解算法进行估计。这是一种通用且高效的方法，但需要对机器学习有所了解，

不久前我看到了一个不错的 ipython 笔记本，但我现在找不到它，所以我会向您推荐另一个，虽然不是很好，但仍然可以澄清一些数学问题。