machine-learning - 如何为推荐系统训练神经网络？

Question

我已经建立了一个带有反向传播的人工神经网络作为书籍推荐系统。

我在网络中只有一个隐藏层，输入层和输出层都是书籍，因为您应该能够输入一本书并获得更多书籍推荐。

我已经有很多关于用户及其对书籍的评分（1 到 5）的数据。我想将其输入到该数据的神经网络（设置所有权重）中，而无需经过反向传播过程。以某种方式更机械地做它。

假设每个用户在他们的图书馆里有大约 100 本书，我该如何设置它们的权重？用户图书馆中的书籍与用户图书馆中的其他书籍有什么关系？

谢谢。

Answer 1

所以听起来你不想使用神经网络。我发现在这些类型的稀疏特征空间中训练神经网络更加困难并且需要更长的时间。你想预测（我相信）一个人可能喜欢的书，因为他们给出了他们的评分以及进行类似购买的人的评分。

你应该看看协同过滤。我并不是说你不能用神经网络解决问题，但我不确定你是否真的想要。

Answer 2

我同意你可能不想使用神经网络。

通常使用人工神经网络，初始权重被分配随机值（可能通过随机数算法计算），然后通过训练迭代对其进行优化。

您是否研究过模糊逻辑理论来解决您的问题？根据我的经验，听起来模糊逻辑可能适合这个系统，其中书籍评级可以用作成员函数来确定要推荐的类别/书籍。

Answer 3

神经网络不能解决您的问题。您需要的是两本书之间的一些相似性度量。这可能包括一些标记机制或杜威分类系统。然后，用户的推荐应该包括与他喜欢的书更相关的书。