Механизм рекомендации нейронной сети [закрывается]
Как можно было бы разработать нейронную сеть в целях механизма рекомендации. Я предполагаю, что каждый пользователь потребовал бы их собственной сети, но как Вы разработаете исходные данные и выводы для рекомендации объекта в базе данных. Есть ли какие-либо хорошие учебные руководства или что-то?
Править: Я больше думал, как можно было бы разработать сеть. Как, в сколько введенных нейронов и как выходные нейроны указывают на запись в базе данных. Имейте, говорят 6 выходных нейронов, преобразовывают его в целое число (который был бы чем-нибудь от 0 - 63), и это - идентификатор записи в базе данных? Это то, как люди делают это?
2 ответа
Я бы предложил изучить нейронные сети с использованием обучения без учителя, например, самоорганизующихся карт . Очень сложно использовать обычные нейронные сети с учителем для выполнения того, что вы хотите, если вы не можете очень точно классифицировать данные для обучения. Самоорганизующиеся карты не имеют этой проблемы, потому что сеть самостоятельно изучает классификационные группы.
ознакомьтесь с этой статьей, в которой описывается система рекомендаций по музыке для музыки http://www.springerlink.com/content/xhcyn5rj35cvncvf/
и многие другие статьи, написанные по этой теме. из Google Scholar http://www.google.com.au/search?q=%09+A+Self-Organizing+Map+Based+Knowledge+Discovery+for+Music+Recommendation+ Системы + & ie = utf-8 & oe = utf-8 & aq = t & rls = com.ubuntu: en-US: official & client = firefox-a & safe = active
Сначала вы должны решить, что именно вы рекомендуете и при каких обстоятельствах. Следует учесть множество вещей. Вы собираетесь учитывать, что «другие пользователи, купившие X, также купили Y»? Собираетесь ли вы рекомендовать только те вещи, которые похожи друг на друга? Вы рекомендуете предметы, которые связаны с типом отношений «один - больше пользы»?
Я уверен, что решений гораздо больше, и каждое из них преследует свои собственные цели. . Было бы очень сложно обучить одну гигантскую сеть справляться со всем вышеперечисленным.
Все нейронные сети сводятся к одному и тому же. У вас есть заданный набор входных данных. У вас есть топология сети. У вас есть функция активации. У вас есть веса на входах узлов. У вас есть выходы, и у вас есть средства для измерения и исправления ошибок. У каждого типа нейронной сети может быть свой собственный способ выполнения каждой из этих вещей, но они присутствуют постоянно (насколько мне известно). Затем вы тренируете сеть, вводя серию входных наборов с известными выходными результатами. Вы запускаете этот тренировочный набор столько, сколько хотите, без переобучения или недообучения (что является таким же вашим предположением, как и предположением следующего парня), а затем вы готовы к работе.
По сути, ваш входной набор можно описать как определенный набор качеств, которые, по вашему мнению, имеют отношение к основной функции (например: осадки, влажность, температура, болезнь, возраст, местоположение, стоимость, навыки, время день, день недели, рабочий статус и пол могут иметь важное значение при принятии решения о том, будет ли человек играть в гольф в данный день).Поэтому вы должны решить, что именно вы пытаетесь рекомендовать и при каких условиях. Ваши сетевые входные данные могут быть логическими по своей природе (например, 0,0 - ложь, а 1,0 - истина) или отображаться в псевдонепрерывном пространстве (где 0,0 может означать совсем не, 0,45 означает несколько, 0,8 означает вероятность, а 1,0 означает да). Этот второй вариант может дать вам инструменты для сопоставления уровня достоверности определенных входных данных или простых математических расчетов, которые, по вашему мнению, уместны.
Надеюсь, это помогло. Вы особо не делились:)