Question

所以我开始玩FANN（http://leenissen.dk/）以创建一个简单的推荐引擎。

例如，

用户X 与ids [1, 2, 3]

的记录有关系

其他用户与以下ID有关系：

用户A： [1, 2, 3, 4]
用户B： [1, 2, 3, 4]

那么，很自然地，用户X有可能对ID为4的记录感兴趣，并且它应该是推荐引擎的期望输出。

感觉这可能是神经网络可以完成的事情。然而，从尝试FANN和谷歌搜索，似乎需要与数据和结果有一些数学关系。这里有ids，没有; ids也可以是任何符号。

问题：是否可以通过神经网络解决此类问题？我应该从哪里开始搜索解决方案？

Answer 1

您正在寻找的是某种复发神经网络;存储＆＃39; context＆＃39;以某种方式。此类网络的示例包括LSTM和GRU。基本上，您必须按顺序输入数据。根据上下文和当前输入，网络将预测哪个标签最有可能。

似乎需要与数据和结果建立一些数学关系。这里有ids，没有; ids也可以是任何符号。

数据和结果之间存在明确的关系，这可以通过权重和偏差来表达。

那怎么会有效呢？首先，您对输入和输出进行一次热编码。所以基本上，你想要预测用户已经与之交互的一组标签后最有可能的标签。

如果您有5个标签：A，B，C，D，E表示您将有5个输入和输出：[0, 0, 0, 0, 0]。

如果您的标签为A，则数组为[1, 0, 0, 0, 0]，如果是D，则为[0, 0, 0, 1, 0]。

因此，LSTM和GRU的关键是数据应该是顺序的。所以基本上，你输入所有逐个观看的标签。因此，如果用户观看了A，B和C：

activate: [1,0,0,0,0] 
activate: [0,1,0,0,0]

// the output of this activation will be the next predicted label
activate: [0,0,1,0,0]
// output: [0.1, 0.3, 0.2, 0.7, 0.5], so the next label is D

你应该一直训练网络，使IN _t的输出为IN _{t + 1}

使用神经网络提供建议

1 个答案: