Entrenamiento de una red neuronal sin datos históricos

votos
0

Estoy construyendo un sistema de recomendación altamente personalizado desde cero, donde no tengo los datos históricos de las interacciones entre los usuarios y los artículos. Sin embargo, un usuario cuando se añade al sistema debe proporcionar una lista de etiquetas para los artículos:

  1. Le gusta mucho;
  2. Él no tiene opinión acerca;
  3. A él no le gusta

Luego, sobre la base de esas etiquetas que soy capaz de igualar algunos artículos para grupos 1., 2. y 3.

Por lo tanto, estoy pensando en artículos de muestreo de grupos 1., 2. y 3. y asignarles el valor objetivo 1, 0 y -1, respectivamente, con el fin de entrenar a mi red neuronal. Tras la etapa de entrenamiento que se pueden conseguir una red neuronal altamente personalizado para cada usuario que me permitiera comenzar a recomendar algunos elementos que coinciden con las preferencias de cada usuario pesar de no tener datos históricos.

Por supuesto, cuando el usuario comienza a proporcionar retroalimentación para los elementos recomendados Me actualizar la red con el fin de que coincida con sus nuevas preferencias.

Dicho esto, hace este enfoque hace que las redes neuronales sentido o no son la mejor opción para este caso concreto?

Publicado el 07/11/2018 a las 22:52
fuente por usuario
En otros idiomas...                            


1 respuestas

votos
5

En primer lugar, que no ha explicado con suficiente claridad su pregunta o problema específico, que por lo general resulta en una respuesta que probablemente no esperaba, pero voy a tratar de dar alguna información significativa, en lugar de una llanura 42.

No ha especificado, lo que es que desea que sistema de recomendación de lograr. Ahora no está claro basa en lo que es exactamente lo que está planeando dar recomendaciones al usuario. Es que una correlación entre el usuario A preferencia y todas las demás preferencias del usuario que debe sugerir los productos, no vistos por el usuario A que le gustaría?

Ese parece ser el caso más probable, basado en la descripción. Así que usted está buscando algún tipo de solución al desafío Netflix generalmente llamado filtrado colaborativo . Su modelo que se describe es mucho más simple que los datos de Netflix o Amazon tiene, pero todavía no puede funcionar sin ningún tipo de datos, por lo que los supuestos iniciales van a estar completamente apagado y molestar a los usuarios. Uno de mis amigos está siendo constantemente molestado por las recomendaciones que otras personas que les gustaba esta película también observaron que - él dice que es siempre malo a pesar de que Netflix tiene un montón de datos y un motor de recomendación integral. Por lo que esperan una gran cantidad de frustración y posiblemente incluso el vandalismo (como cuando los usuarios proporcionan retroalimentación deliberadamente incorrecta debido a la mala calidad de las recomendaciones). La única forma de evitarlo es recoger datos en primer lugar preguntando por los comentarios y sólo dará recomendación después de que ha recopilado suficiente cantidad de muestras.

Estamos recibiendo poco a poco a la pregunta real como se indica: si la red neural es una buena herramienta para el trabajo. Si usted tiene suficiente cantidad de datos que pueden adaptarse a un modelo simple como usted la describe con un pequeño número de falsos positivos (recomendaciones pobres) y el gran número de verdaderos positivos (recomendaciones correctas) que es. La cantidad de datos que necesita depende de la cantidad de productos y fuerza de la correlación entre ellos siendo gustado o no. Si usted tiene 2 productos que no tiene correlación, no importa la cantidad de datos recogerá no habrá buena. Si usted tiene productos muy similares en conjunto, la correlación será fuerte, pero igualmente repartidos en todos los productos, lo que de nuevo no sería capaz de dar ningún consejo útil hasta que recoger una gran cantidad de datos que simplemente filtrar algunos bienes pobres. El mejor caso es una especie de embargo, muy diferentes productos altamente correlacionados (algo así como una bicicleta de montaña de gama alta y una leva de go-pro). Estos deberían ser encadenados de forma fiable en base a otras preferencias del usuario.

Así que sin más información que no puedes tener una visión mucho más útil. Lo que usted describe, si los espacios en blanco se han llenado correctamente hace poco sentido, pero va a trabajar y la cantidad de datos que necesita realmente dependerá de las características específicas de los productos y los usuarios involucrados.

Espero que ayude.

Respondida el 13/11/2018 a las 06:10
fuente por usuario

Cookies help us deliver our services. By using our services, you agree to our use of cookies. Learn more