Question

我尝试将LSTM模型用于下一个篮子推荐。我想应用与本文相同的方法：A Dynamic Recurrent Model for Next Basket Recommendation

在我的情况下，我有一些用户，他们在不同时间购买一些商品。所以我设计了我的X数据，如：

    user ID       timestep     sequence items    
    user1            1          array(1, 20)
    user1            2            ...       

    user2            1            ...
    user2            2            ...
    user2            3            ...

    user3            1            ...
    user3            1            ...

序列项表示具有形状（1,20）的数组。这些向量是在每个序列期间购买的每个项目（使用word2vec生成）的平均表示。

然后我将我的标签设计为：

    user ID       label    
    user1         np.array(1, 6000)
    user2         ...
    user3         ...

标签用户表示每个用户的下一个订单，在他们过去的订单之后表示X数据。此外，标签是[1 0 1 0 0 0 .. 1]等向量，其中1表示用户购买了该项目，否则为0.

因此，我想使用LSTM训练每个用户的过去序列以预测下一个购买序列。下面，我定义了一个LSTM模型，我没有返回序列，因为我有一个用户标签。

  model_rnn = Sequential()
  model_rnn.add(LSTM(20, return_sequences=False, input_shape=(None, 20)))
  model_rnn.add(Dropout(0.2))
  model_rnn.add(Dense(nb_classes)) 
  model_rnn.add(Activation("sigmoid"))                

  model_rnn.compile(loss='binary_crossentropy', optimizer="Adagrad")
  n_index = X.index.values
  n_sample = int(len(X.index.values)*0.7)
  user_index = np.random.choice(n_index, n_sample, replace=False)
  n_epochs = 10      
  for _ in range(n_epochs):
       for index in user_index:
          X_train = X.ix[index, "sequence_items"]
          X_train.reshape(1, X_train.shape[0], X_train.shape[1])
          y_train = y[index, :].toarray()
          model_rnn.fit(X_train, y_train, batch_size=1, epochs=1, shuffle=1)

如您所见，我使用batch_size = 1训练LSTM，因为用户之间的时间步长不同。我在70％的用户身上安装了该模型，并在其余部分测试了该模型。

我的结果非常差，模型为每个用户测试推荐的前n项非常相似。例如，对于特定用户，模型会推荐从未出现在旧序列中的项目。虽然规范，它必须预测最后序列比较的项目，因此，它应该预测过去购买的项目的高概率。

显然，我的方法似乎不对。也许设计和培训数据不适合我的目标。您是否有任何想法或建议来适应数据，以达到我的目标？

注意：当我只使用一个用户的LSTM模型时，每次都有他的序列和标签（代表每个时间序列的下一个顺序），我得到了很好的结果来预测下一个用户订单的顺序。但是这种方法迫使我训练N用户的LSTM模型，所以不对。

谢谢你，

Answer 1

我不是专家，但我不确定批量大小。据我所知，Keras LSTM在每批后重置其状态。因此，当批量大小为1时，LSTM会重置其内存。因此，您在处理时间步长2时忘记了用户1在时间步长1时所做的事情。最大购买次数可以是您的批量大小。您可以使用遮罩来避免填充效果。

Answer 2

通过将网络安装到循环中的所有用户，您将为所有用户创建一个通用模型。这可能是您获得测试数据类似结果的原因。

你提到的论文旨在捕捉： 1）每个用户对过去篮子数据的一般兴趣和 2）购买时的顺序信息（例如：买面包，下次购买黄油）

看一下图1）

的描述

输入图层包含a的一系列篮子表示用户。可以在隐藏中获得用户的动态表示层。最后，输出层显示该用户对所有用户的分数项目

我相信他们会为每个用户动态训练模型并从中进行预测。他们使这个可行的方式是在每个篮子里汇集物品。

对于他们的数据，max_pooling工作得更好，但你也可以尝试avg_pooling，就像在论文中一样。希望这可以帮助。试着自己实施这篇论文，如果你有任何进展，请告诉我们。

如何训练序列项目的LSTM模型？

2 个答案: