使用神经网络提供建议
Using a neural network to provide recommendations
所以我开始使用 FANN (http://leenissen.dk/) 来创建一个简单的推荐引擎。
例如，
用户 X 与 ID 为 [1, 2, 3]
的记录有关系
其他用户与以下id有关系：
- 用户 A：
[1, 2, 3, 4]
- 用户 B：
[1, 2, 3, 4]
那么，很自然地，用户 X 也有可能对 ID 为 4 的记录感兴趣，并且它应该是推荐引擎的期望输出。
感觉这将是神经网络可以完成的事情。然而，通过尝试 FANN 和谷歌搜索，似乎需要与数据和结果建立某种数学关系。这里有 ids none; ID 也可以是任何符号。
问题：是否可以用神经网络解决这类问题，我应该从哪里开始寻找解决方案？
你要找的是某种递归神经网络；以某种方式存储 'context' 的网络。此类网络的示例是 LSTM and GRU。所以基本上，您必须按顺序输入数据。基于上下文和当前输入，网络将预测最有可能的标签。
it seems there seems to need to be some mathematical relation with the data and results. Here with ids there's none; the ids could just as well be any symbols.
数据和结果之间存在一定的关系，可以通过权重和偏差来表示。
那么它是如何工作的呢？首先，您对输入和输出进行单热编码。所以基本上，您想要预测在一组用户已经交互过的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]。
如果你的标签是A，数组就是[1, 0, 0, 0, 0]，如果是D，数组就是[0, 0, 0, 1, 0]。
所以 LSTM 和 GRU 的关键是数据应该是连续的。所以基本上，您将所有观看的标签一一输入。因此，如果用户观看了 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
并且您应该始终训练网络，使 INt 的输出为 INt+1
所以我开始使用 FANN (http://leenissen.dk/) 来创建一个简单的推荐引擎。
例如，
用户 X 与 ID 为 [1, 2, 3]
其他用户与以下id有关系：
- 用户 A：
[1, 2, 3, 4] - 用户 B：
[1, 2, 3, 4]
那么，很自然地，用户 X 也有可能对 ID 为 4 的记录感兴趣，并且它应该是推荐引擎的期望输出。
感觉这将是神经网络可以完成的事情。然而，通过尝试 FANN 和谷歌搜索，似乎需要与数据和结果建立某种数学关系。这里有 ids none; ID 也可以是任何符号。
问题：是否可以用神经网络解决这类问题，我应该从哪里开始寻找解决方案？
你要找的是某种递归神经网络；以某种方式存储 'context' 的网络。此类网络的示例是 LSTM and GRU。所以基本上，您必须按顺序输入数据。基于上下文和当前输入，网络将预测最有可能的标签。
it seems there seems to need to be some mathematical relation with the data and results. Here with ids there's none; the ids could just as well be any symbols.
数据和结果之间存在一定的关系，可以通过权重和偏差来表示。
那么它是如何工作的呢？首先，您对输入和输出进行单热编码。所以基本上，您想要预测在一组用户已经交互过的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]。
如果你的标签是A，数组就是[1, 0, 0, 0, 0]，如果是D，数组就是[0, 0, 0, 1, 0]。
所以 LSTM 和 GRU 的关键是数据应该是连续的。所以基本上，您将所有观看的标签一一输入。因此，如果用户观看了 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
并且您应该始终训练网络，使 INt 的输出为 INt+1