训练模型后评估建议

Question

首先，我想创建一个推荐系统。在神经网络的帮助下，这应该可以预测用户X最有可能购买哪些商品。

我已经用正确的数据集和neuMF模型的帮助训练了一个模型（您也可以查看图片中的不同层）。

[来源https://arxiv.org/abs/1708.05031]

我的数据集包含以下内容：

event列包含用户是查看商品（视图），将其放入购物车（购物车）还是购买（交易）。

我已经找到了有关如何确定建议的示例实现。关于它的内容如下：

现在，我已经训练好了模特，现在可以为歌曲推荐歌曲了 给定播放列表！但是，我遇到的一个问题（见下文）是 我需要嵌入新的播放列表（存储在模型中） 为了找到该嵌入中最接近的相关播放列表 使用kmeans的空间。我不确定如何解决这个问题， 似乎每次我得到一个 输入播放列表以嵌入该播放列表。所以我 只需在随机选择的播放列表上测试我的模型（恰好是 摇滚和经典歌曲！）。

要推荐歌曲，我首先将所有 训练播放列表，然后为我的选择“邻居”播放列表 给定测试播放列表，以及该播放列表中的所有其他播放列表 簇。然后，我从这些播放列表和Feed中获取所有曲目 测试播放列表嵌入和这些“相邻”音轨进入我的 预测模型。以此方式将“相邻”音轨排名为 在给定的测试中，它们很可能会（在我的模型下）发生 播放列表。

[来源https://github.com/caravanuden/spotify_recsys]

我刚刚训练了我的模型，现在我想就用户X最有可能购买哪些商品提出建议。 我是否必须执行另一种算法的实现，例如确定最近的邻居（knn）还是足以训练模型然后从中导出数据？

用数据训练模型后如何进行操作，如何从模型中获得建议？为了从训练有素的模型接收建议，该领域的最新技术水平是什么？

先谢谢了。期待提出建议，想法和答案。

Answer 1

这取决于该模型的用例。这是双重的，首先是由于您的特定用例需要的性能（速度），其次是neuMF模型的主要弱点（在我看来）：如果用户与更多物品交互，预测不会改变，因为它们不是培训的一部分。因此，如果在实时在线设置中使用该建议，则建议基本上将基于以前的行为，并且除非重新训练模型，否则不会考虑当前会话。

neuMF模型特别适合间隔建议的批次预测。例如，如果您想通过每周电子邮件向用户推荐项目，那么您将为每个用户预测每个项目的输出概率，然后选择最高的n（例如10）概率并推荐那些。 （您必须在下周重新训练模型，以便根据用户的最新商品互动情况获得其他预测。）因此，如果有10000个唯一商品，则对于每个用户，请进行10000个单独的预测，并推荐{{1} }个基于这些的项目。主要的缺点当然是这些10000个预测需要一段时间才能执行。因此，它可能不适合实时在线预测。另一方面，如果您聪明地将预测并行化，那么尽管也可能不必要，但是也可以超过此限制。这是因为，如前所述，预测不会根据当前的用户交互而更改。

使用n在嵌入空间中对用户进行聚类，然后获取这些用户的项目，然后将其馈送到模型中似乎是不必要的，而我选择这样做会破坏整个模型体系结构的目的。这是因为knn模型的重点是在所有其他用户的交互中概括给定用户的交互与项目，并以此为基础进行推荐，以便在给定用户和项目的情况下，您可以获得该特定项目的概率。