Алгоритм для классификации списка продуктов? [закрытый]
Некоторые вещи, которые нужно попробовать ...
Перейдите в / app_data / TEMP / ClientDependency и удалите все файлы
Перейдите в /config/ClientDependency.config и увеличьте номер версии
Перезапустите пул приложений.
Полностью согласен с Eyescream выше - перейдите в режим отладки.
Пик в файле / app_data / logs, чтобы увидеть, нет ли в нем сообщений об ошибках.
На основании вашего другого сообщения об ошибке «Не удалось найти дерево медиа, activeTree не установлено», все это звучит (для меня), относящееся к типам медиа или элементам загрузки. Попробуйте заново сохранить каждое из них, сначала перейдя в «Настройки» -> «Мультимедиа» и просто щелкните и сохраните каждое («Файл», «Папка», «Изображение»)
[1116 ] Тогда я бы сделал то же самое для FileUploader и ImageCropper в Developer -> DataTypes.
И это будет звучать как длинный выстрел, но особенно с двумя типами данных - Убедитесь, что они названы как и ожидалось , Возникла старая проблема с элементом управления FileUpload, когда иногда в имени файла появлялось случайное "\ t". Перед повторным сохранением этих типов просто нажмите на имя файла и убедитесь, что после имени нет никаких дополнительных символов. Я не видел эту проблему в течение многих лет, но так как я не уверен, какую версию вы обновили?
Наконец попробуйте пойти для пользователей и проверки того, что ваша учетная запись пользователя (или любая учетная запись, в которую вы входите, имеет узел Media Root. Это также может быть применено через уровень группы пользователей
]
Надеюсь, это поможет тебе в этом.
5 ответов
Вам нужны по крайней мере два компонента:
Во-первых, Вам нужно что-то, что действительно "показывает" извлечение, т.е. это берет Ваши объекты и извлекает релевантную информацию. Например, "новый и детский хоккей" не так релевантно как "500Go жесткий диск" и "Seagate". (Очень) простой подход состоял бы из простого извлечения эвристики производители, технологические имена как "USB2.0" и шаблоны как "ГБ", "об/мин" от каждого объекта.
Вы затем заканчиваете с рядом функций каждого объекта. Некоторым людям машинного обучения нравится помещать это в "характеристический вектор", т.е. он имеет одну запись для каждой функции, будучи установленным на 0 или 1, в зависимости от того, существует ли функция или нет. Это - Ваше представление данных. На этом векторизовал Вас, может затем сделать сравнение расстояния.
Обратите внимание, что Вы могли бы закончить с вектором тысяч записей. Даже затем затем необходимо кластеризировать результаты.
Возможно полезные статьи Wikipedia:
Нет простого решения для такой проблемы. Особенно, если ваш список действительно большой (миллионы предметов). Возможно, эти две статьи могут указать вам правильное направление:
http://www.cs.utexas.edu/users/ml/papers/normalization-icdm-05.pdf http: //www.ismll .uni-Хильдесхайм. de / pub / pdfs / Rendle_SchmidtThieme2006-Object_Identification_with_Constraints.pdf
Для фактической классификации продукта Вы могли использовать своего рода "расширенную нейронную сеть" с доской. (Это - просто метафора для получения Вас думающий в правильном направлении, не строгом использовании условий.)
Вообразите ряд объектов, которые соединены через слушателей или события (точно так же, как нейроны и synapsis). Каждый объект имеет ряд шаблонов и тестирует вход против этих шаблонов.
Пример:
- Один объект тестирует на ("Seagate" | "connor" | "maxtor" | "квант" |...)
- Другой объект тестирует на [: цифра:] * (" ")? ("ГБ" | "МБ")
- Другой объект тестирует на [: цифра:] * (" ")? "об/мин"
Все эти объекты соединяются с другим объектом, который, если определенные комбинации их стреляют, категоризирует вход как жесткий диск. Сами отдельные объекты ввели бы определенные характеристики в доску (общая область записи для высказывания вещей о входе), таких как производитель, способность или скорость.
Таким образом, нейроны не стреляют на основе threshhold, но на распознавании шаблона. Многие из этих нейронов могут работать очень параллельные над доской и даже исправить классификации другими нейронами (возможно, представляющий несомненные факты?)
Я использовал что-то вроде этого в прототипе для продукта, используемого для классификации продуктов согласно UNSPSC, и смог получить 97%-ю корректную классификацию на автозапчастях.
Одна из проблем, с которыми Вы встретитесь, должна решить Ближайших Соседей в нелинейных или незаказанных атрибутах. Я основываюсь на записи Manuel здесь.
Одна проблема, которую Вы будете иметь, состоит в том, чтобы выбрать близость (1) Seagate 500Go, (2) Жесткого диска 120Go Seagate для ноутбука и (3) Серебра Внешнего жесткого диска Стола Seagate 500 ГБ FreeAgent Розничная продажа USB2.0 на 7200 об/мин:
1 ближе к 2 или к 3? Различия выравнивают по ширине различные категории?
Человек сказал бы, что 3 между 1 и 2, поскольку внешний HD может использоваться на обоих видах машин. Что означает, что, если кто-то ищет HD для его рабочего стола, и расширяет объем выбора для включения альтернатив, внешний HDs покажут также, но не ноутбук HDs. Вероятно, SSD, карты памяти USB, CD/DVD-приводы даже обнаружится перед дисками ноутбука, увеличивая объем.
Возможное решение:
Подарите пользователям пар атрибутов и позвольте им близость веса. Дайте им масштаб, чтобы сказать Вам, как близко друг к другу определенные атрибуты. Расширение объема выбора будет затем использовать этот масштаб в качестве функции расстояния на этом атрибуте.
MALLET имеет реализации CRF и MaxEnt, которые, вероятно, могут хорошо справиться с этой задачей. Как кто-то сказал ранее, вам нужно сначала извлечь функции, а затем ввести их в свой классификатор.