使用神經網絡提供建議

Question

所以我開始玩FANN（http://leenissen.dk/）以創建一個簡單的推薦引擎。

例如，

用戶X與IDS關係記錄[1, 2, 3]

其他用戶有關係到以下ID：

• 用戶A：[1, 2, 3, 4]
• 用戶B：[1, 2, 3, 4]

這將是自然的，那麼，有一些機會，用戶X將有興趣與ID 4以及記錄，它應該是推薦引擎所需的輸出。

感覺這將是一個神經網絡可以完成的事情。然而，從試用FANN和Google搜索，似乎似乎需要與數據和結果形成一些數學關係。這裏的ID沒有; ID也可以是任何符號。

問題：是否有可能用神經網絡來解決這類問題，我應該從哪裏開始尋找解決方案？

Answer 1

你在找什麼是某種形式的遞歸神經網絡;以某種方式或另一種方式存儲「上下文」的網絡。這種網絡的例子是LSTM和GRU。所以基本上，你必須依次輸入你的數據。根據上下文和當前輸入，網絡將預測哪個標籤最有可能。

似乎似乎需要與數據和結果有一些數學關係。這裏的ID沒有; ID也可以是任何符號。

數據和結果之間有明確的關係，這可以通過權重和偏差來表達。

那麼它會如何工作？首先你需要編碼你的輸入和輸出。所以基本上，您想要預測用戶已經與之交互過的一組標籤之後哪個標籤最有可能。

如果您有5個標籤：A，B，C，D，E，這意味着您將有5個輸入和輸出：[0, 0, 0, 0, 0]。

如果您的標籤爲A，則數組將爲[1, 0, 0, 0, 0]，如果是D，則將爲[0, 0, 0, 1, 0]。

因此，LSTM和GRU的關鍵是數據應該是連續的。所以基本上，你輸入所有看到的標籤一個接一個。因此，如果用戶已經觀看了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 

而且你應該總是訓練網絡，從而使在_噸輸出爲_{噸+ 1}