我有一个基于内容的推荐器，可以工作...很好。我相当确定这是解决此问题的正确方法（将既定的“用户”与“物品”匹配，这些物品实际上总是新的，但包含与现有物品相似的已知功能）。
在研究过程中，我发现几乎所有基于内容的过滤示例都以文章/电影为例，并且专门研究使用文本块中的编码tf-idf功能。那并不是我要处理的，但是我的大多数特征都是布尔特征，因此制作相似的向量并查看余弦距离并不是特别困难。我还有一个连续的特征，可以缩放并包含在向量中。正如我说的那样，它似乎可行，但还很不完善，我想我知道部分原因...
我正在使用的连续功能是一个评分（我们称其为“美味”），在几乎所有情况下，评分都越高，表明该商品对用户更有利。它是连续的，但也有明确的“方向”（不确定这是否是正确的术语）。一个方向的错误与另一个方向的错误是不同的。
在某些情况下，有些用户对“美味”评分中等的商品给予了很高的评价，但是从逻辑上讲，他们仍然会喜欢更美味的东西。该用户的矢量的平均美味可能为2.3。我对余弦距离的理解是，在我的模型中，如果该用户遇到两个完全相同的新项目，除了一个具有1.0的可口性，另一个具有4.5的可口性，则实际上会偏爱前者，因为它的时间较短向量之间的距离。
在这里，如何考虑到一个方向的美味度误差/距离与另一方向的误差/距离不同，如何修改或合并其他距离度量？
（作为第二个问题，我如何决定如何在布尔特征旁边最佳地缩放此连续特征？）
答案 0 :(得分：1)
有两种基本方法可以解决此问题：
（1）编写您自己的距离函数。一种明显的方法是从每个向量中删除`Control Panel > Internet Options > Connections > LAN settings
元素，并独立评估该差异。在向量的其余部分上使用余弦相似度。将该数字与所需的味觉差异相结合。
（2）转换from keras.models import Sequential
from keras.layers.core import Dense, Activation, Dropout
from keras.layers import LSTM, BatchNormalization
from tensorflow.python.keras.initializers import RandomUniform
init = RandomUniform(minval=-0.05, maxval= 0.05)
model = Sequential()
model.add(LSTM(kernel_initializer=init, activation='relu', return_sequences=True, units=800, dropout=0.5, recurrent_dropout=0.2, input_shape=(x_train.shape[1], x_train.shape[2]) ))
model.add(LSTM(kernel_initializer=init, activation='relu', return_sequences=False, units=500, dropout=0.5, recurrent_dropout=0.2 ))
model.add(Dense(1024, activation='linear', kernel_initializer=init))
model.add(BatchNormalization())
model.add(Dropout(0.5))
model.add(Dense(1, activation='linear', kernel_initializer= 'normal'))
model.compile(loss='mean_squared_error', optimizer='rmsprop' )
model.summary()
数据，使所得度量 是线性的。这将允许“正常”距离度量按预期方式工作。