使用神经网络提供建议

所以我开始玩FANN（http://leenissen.dk/）以创建一个简单的推荐引擎。使用神经网络提供建议

例如，

用户X与IDS关系记录[1, 2, 3]

其他用户有关系到以下ID：

用户A：[1, 2, 3, 4]
用户B：[1, 2, 3, 4]

这将是自然的，那么，有一些机会，用户X将有兴趣与ID 4以及记录，它应该是推荐引擎所需的输出。

感觉这将是一个神经网络可以完成的事情。然而，从试用FANN和Google搜索，似乎似乎需要与数据和结果形成一些数学关系。这里的ID没有; ID也可以是任何符号。

问题：是否有可能用神经网络来解决这类问题，我应该从哪里开始寻找解决方案？

来源

2017-06-11 Kasperi

你在找什么是某种形式的递归神经网络;以某种方式或另一种方式存储“上下文”的网络。这种网络的例子是LSTM和GRU。所以基本上，你必须依次输入你的数据。根据上下文和当前输入，网络将预测哪个标签最有可能。

似乎似乎需要与数据和结果有一些数学关系。这里的ID没有; ID也可以是任何符号。

数据和结果之间有明确的关系，这可以通过权重和偏差来表达。

那么它会如何工作？首先你需要编码你的输入和输出。所以基本上，您想要预测用户已经与之交互过的一组标签之后哪个标签最有可能。

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

如果您的标签为A，则数组将为[1, 0, 0, 0, 0]，如果是D，则将为[0, 0, 0, 1, 0]。

因此，LSTM和GRU的关键是数据应该是连续的。所以基本上，你输入所有看到的标签一个接一个。因此，如果用户已经观看了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

而且你应该总是训练网络，从而使在_吨输出为_{吨+ 1}

来源

2017-06-11 10:44:56

使用神经网络提供建议

回答

相关问题