假设我想根据哪些标签存在或不存在来确定我将在SO上提出问题的可能性。
让我们想象一下，我有很多关于我做过或未做过的过去问题的数据。
是否有机器学习算法可以获取此历史数据，对其进行训练，然后能够预测我未来问题的推荐概率？请注意，它必须是概率，而不仅仅是一些任意分数。
让我们假设最多有7个标签与任何给定的问题相关联，这些标签是从成千上万的超集中提取的。
我希望它能够在标签之间建立非常复杂的连接，而不是每个标签只是以“线性”方式对最终结果做出贡献（就像贝叶斯垃圾邮件过滤器中的单词一样）。
因此，例如，可能是“java”这个词增加了我的upvote概率，除非它与“数据库”一起出现，但是“数据库”可能会增加我在“ruby”时出现的upvote概率。
哦，这应该是计算上合理的（在数百万个问题上训练一两个小时）。
我应该在这里研究哪些方法？
答案 0 :(得分：4)
鉴于每条消息的标签可能不多，您可以创建“n-gram”标签并应用朴素贝叶斯。回归树也会在叶节点处产生经验概率，使用+1表示upvote，0表示没有upvote。有关可读的讲义和http://www.stat.cmu.edu/~cshalizi/350-2006/lecture-10.pdf，请参阅http://sites.google.com/site/rtranking/。
答案 1 :(得分：1)
您可以尝试多种方法（线性回归，SMV，神经网络）。输入向量应包含所有可能的标记，其中每个标记代表一个维度。
然后，训练集中的每个记录必须根据标记转换为输入向量。例如，假设你在训练集（php，ruby，ms，sql）中有4个标签的不同组合，你定义了一个未加权的输入向量[php，ruby，ms，sql]。假设你有以下3个转换为加权输入向量的记录：
php，sql - ＆gt; [1,0,0,1]
红宝石 - ＆gt; [0,1,0,0]
ms，sql - ＆gt; [0,0,1,1]
如果您使用线性回归，请使用以下公式
y = k * X
其中y代表你的案例中的答案（upvote / downvote）并插入已知值（X加权输入向量）。
如果你使用线性回归计算权重，你可以阅读here，但重点是创建二进制输入向量，其大小相等（或者如果你考虑其他一些变量，则更大）到数字在所有标签中，然后为每个记录设置每个标签的权重（如果不包括，则为0，否则为1）。