Machine learning 对于这种情况,使用什么样的模式或方法;嵌套的;推荐信?
我有一个非常具体的推荐问题 假设我有3种类型的值/实体-项、属性和值。有N个项目,A属性和B值。每个项都有一些属性值对。例如: 第1项Machine learning 对于这种情况,使用什么样的模式或方法;嵌套的;推荐信?,machine-learning,mahout,collaborative-filtering,mahout-recommender,Machine Learning,Mahout,Collaborative Filtering,Mahout Recommender,我有一个非常具体的推荐问题 假设我有3种类型的值/实体-项、属性和值。有N个项目,A属性和B值。每个项都有一些属性值对。例如: 第1项 2374-23783 8455-5783 744-2438 第2项 5435-23783 8455-54654 544-9778 现在,给定一个“匿名”项,比如,具有3-4个类似于上面的示例属性-值对的项#x,我想获得特定属性的建议。例如: 项目#x 5435-23783 544-9778 744-2438 8455-??(获得推荐) 现在,直觉-第x项中84
2374-23783
8455-5783
744-2438
第2项
5435-23783
8455-54654
544-9778
现在,给定一个“匿名”项,比如,具有3-4个类似于上面的示例属性-值对的项#x,我想获得特定属性的建议。例如: 项目#x
5435-23783
544-9778
744-2438
8455-??(获得推荐)
现在,直觉-第x项中8455属性的建议值可能是54654。您将看到属性5435和744在第#2项中的值与在第#x项中的值相同。因此,8455的值更有可能与第2项中8455的值相似 问题:
任何机器学习方法都可以完成这项工作。例如,您可以使用贝叶斯网络,因为这些条件项属性值出现是很自然的
在不知道您的关注点的情况下添加特定于实现的细节是不现实的。你最关心什么?性能、准确性或可扩展性?您似乎不需要任何机器学习,只需要检索。最简单的方法是创建一个特征向量,其中每个维度都是一个属性 向量位置和属性:
Position #0, property 2374
Position #1, property 8455
Position #2, property 744
Position #3, property 5435
Position #4, property 544
对于每个项目,填写向量值
Item #1 is represented as [23783, 5783, 2438, ?, ?]
Item #2 is represented as [ ?, 54654, ?, 23783, 9778]
Item #x is represented as [ ?, ?, 2438, 23783, 9778]
项目#x与位置#1为54654的项目#2具有最常见的值。基本上,您可以找到与具有您感兴趣的位置值的项目的最佳交集。如果您想要几个属性的值,而这些值只能由几个项目建议,但您没有提到数据的性质,那么这会变得更有趣。性能和可伸缩性将是我目前最关心的问题。谢谢你的提示…我将尝试查找贝叶斯网络以及如何将其应用于类似的事情。我对贝叶斯网络并不十分熟悉,刚刚进入机器学习的世界。所以请容忍我。大多数关于贝叶斯网络的论文都集中在这些方面——根据用户之间过去的交互以及用户喜欢的历史向用户推荐项目。我似乎不明白如何将它适合我的用例。想法?非常感谢!这更清楚。是的,我必须建议几个属性的值。假设它是一个包含“城市”项目的数据集,即项目可以是纽约市、新德里、伦敦等等。一个城市可以有许多属性/属性,如国家、大陆、州、人口等。您是否可以添加一些内容,考虑到我必须预测几个属性?如果你对数据有很好的理解,你可以尝试研究一种技术,比如基于案例的推理,在这种技术中,你可以在相似性度量中插入启发式。我想知道更多关于这方面的答案,尽管我已经接受了一个。专家意见越多越好。