Может ли этот подход к рекомендациям по пользовательским элементам работать?

Я разрабатываю приложение, которое включает в себя систему рекомендаций, основанную на взаимодействии с пользователем (совместная фильтрация). Пользователю на его домашней странице предоставляется набор из 6 элементов для взаимодействия. Будет от 50 до 300 предметов. Возможны следующие действия:

1. нажмите на элемент (сильный интерес)
2. обновить элемент (некоторый интерес)
3. открыть диалоговое окно для чтения (некоторый интерес)
4. ничего не делай дальше (нет интереса)

Эти данные собираются и хранятся. Система должна рекомендовать интересующие пользователя элементы. Я подумываю превратить эти данные в рейтинговую систему.

Вариант A) если пользователь нажимает на элемент, это преобразуется в неявный рейтинг жизненного цикла 5. обновление элемента - 4 и так далее. Итак, моя матрица user->item будет выглядеть так:

       item 1 | item 2 | item 3
john   5                 4
jane   4

В этом примере Джон щелкнул элемент 1 и обновил элемент 3. На самом деле рейтинг может только повышаться, т. е. если пользователь ранее обновлял элемент, я пишу 4 и обновляю только до 5, если элемент щелкнут позже.

Вариант Б) каждый раз, когда пользователь выполняет одно из вышеуказанных действий, я буду увеличивать скалярное значение для элемента, что означает, что он может расти неограниченно.

       item 1 | item 2 | item 3
john   55       1        30
jane   41       9

Может в этом и проблема, так как теперь цифры сложнее перевести в оценочную шкалу от 1 до 10

Вариант C) Я считаю каждое взаимодействие отдельно

       item 1 click | item 1 refresh | item 1 read
john   3              1                       
jane   1                               1

Здесь проблема в том, что «чтение информации» об элементе, вероятно, выполняется только один раз.

Независимо от того, какой вариант я выберу, моя идея состоит в том, чтобы сначала найти похожих пользователей, используя что-то вроде косинусного сходства или корреляции Пирсона. Затем выберите от 10 до 30 лучших пользователей из этого списка и составьте топ-лист их любимых элементов. Затем из этого списка я буду рекомендовать элементы, с которыми текущий пользователь мало взаимодействовал в прошлом.

Это то, что может сработать? Я беспокоюсь, что поиск похожих пользователей устранит шанс найти интересные (новые) элементы для текущего пользователя.