除了考慮計算相似性的類型之外，還有更多的特征，如演員和導演。讓我們使用加權(quán)總和根據(jù)他們共同的演員、流派和導演的數(shù)量對建議進行評分，以提高分數(shù)。根據(jù)重疊特征的數(shù)量和類型計算加權(quán)和：

// Find similar movies by common genres

MATCH (m:Movie) WHERE m.title = "Wizard of Oz, The"

MATCH (m)-[:IN_GENRE]->(g:Genre)<-[:IN_GENRE]-(rec:Movie)

WITH m, rec, COUNT(*) AS gs

OPTIONAL MATCH (m)<-[:ACTED_IN]-(a:Actor)-[:ACTED_IN]->(rec)

WITH m, rec, gs, COUNT(a) AS as

OPTIONAL MATCH (m)<-[:DIRECTED]-(d:Director)-[:DIRECTED]->(rec)

WITH m, rec, gs, as, COUNT(d) AS ds

RETURN rec.title AS recommendation, (5gs)+(3as)+(4*ds) AS score ORDER BY score DESC LIMIT 100

分析：

首先把movie選擇出來

把相同流派的電影找出來，并計算流派的總和

同理計算出演員和導演

根據(jù)流派占比5，演員占比3，導演占比4來計算總分值

由此得出與電影 m 具有相似特征的其他電影的排名。

運行結(jié)果如下：

加權(quán)內(nèi)容算法結(jié)果

Neo4j 做推薦 （1）—— 基礎(chǔ)數(shù)據(jù)

Neo4j 做推薦 （2）—— 基于內(nèi)容的過濾

Neo4j 做推薦 （3）—— 協(xié)同過濾

Neo4j 做推薦 （4）—— 基于內(nèi)容的過濾（續(xù)）

Neo4j 做推薦 （5）—— 基于類型的個性化建議

Neo4j 做推薦 （6）—— 加權(quán)內(nèi)容算法

Neo4j 做推薦 （7）—— 基于內(nèi)容的相似度量標準

Neo4j 做推薦 （8）—— 協(xié)同過濾（利用電影評級）

Neo4j 做推薦 （9）—— 協(xié)同過濾（人群的智慧）

Neo4j 做推薦 （10）—— 協(xié)同過濾（皮爾遜相似性）

Neo4j 做推薦 （11）—— 協(xié)同過濾（余弦相似度）

Neo4j 做推薦 （12）—— 協(xié)同過濾（基于鄰域的推薦）