Algorithm 交叉销售的算法-像亚马逊的人谁买了这个
这是新的，而且我已经做了很长时间的任何编程或论坛。。。。 然而，这真的让我很恼火 我一直在关注亚马逊等公司的算法，以及他们对产品的推荐，这些产品与人们选择的产品有着密切的关系——显然，这非常有效 我想知道的是 A-为什么仅限于亲和力？难道从来没有一种情况下，一个产品会被原始选择排除在外，也许一个平行但不相似的产品可能有意义吗 为什么神经网络没有意义？这可能不能很好地提供一个好的链接，或者您最终会得到一些权重非常低的产品，从而使他们无法选择 谢谢你的意见Algorithm 交叉销售的算法-像亚马逊的人谁买了这个,algorithm,neural-network,Algorithm,Neural Network,这是新的，而且我已经做了很长时间的任何编程或论坛。。。。 然而，这真的让我很恼火 我一直在关注亚马逊等公司的算法，以及他们对产品的推荐，这些产品与人们选择的产品有着密切的关系——显然，这非常有效 我想知道的是 A-为什么仅限于亲和力？难道从来没有一种情况下，一个产品会被原始选择排除在外，也许一个平行但不相似的产品可能有意义吗 为什么神经网络没有意义？这可能不能很好地提供一个好的链接，或者您最终会得到一些权重非常低的产品，从而使他们无法选择 谢谢你的意见 詹姆斯问题A：你不需要把它局限于亲和力。但
詹姆斯问题A：你不需要把它局限于亲和力。但是，您确实需要“打包”所有其他相关信息，以便将其呈现给算法。您应该阅读“关联规则”、“频繁项集”和推荐算法。大多数算法分析事务数据并学习规则，如{peanuts，hotdogs}={beer}。至于远离亲和力，你可以生成多个集合，将啤酒简化为{酒精饮料}，然后使用多个频繁项集合，在不同的特异性水平上，然后使用某种集成算法来组合它们
问题B：由于维数的原因，神经网络或任何其他类似模型都无法工作。假设您是Amazon.com，并且希望输入一个最多包含5个项目的项目集。您可以将其编码为一个输入神经元计数，等于每个项目的一个神经元乘以5。亚马逊上有多少商品。我不知道，但我猜超过10万。即使你在降维方面有所创新，这将是一个大规模的神经网络，甚至是支持向量机或随机森林 这是超级概念性的，即使对于堆栈溢出也是如此，对于概念性问题，这可能属于不同的SE，比如Ok，谢谢你的建议，我也会尝试这些。