Machine learning 什么样的神经网络结构适合预测文章的受欢迎程度？

我是机器学习和神经网络的新手。目前我正在coursera.org上学习神经网络的课程，但我并不完全理解。我的论文有点问题。我应该使用神经网络，但我不知道如何为我的问题选择正确的神经网络结构

我有很多来自门户网站的数据（通常是报纸、杂志的在线版本）。有关于文章的信息，例如，文章名称、文章文本和文章发布。还有大量的序列数据可以捕获用户的行为

我的目标是预测一篇文章的受欢迎程度（读者数量或唯一用户对文章的点击次数）。我想从这些数据中生成向量，并将这些向量输入我的神经网络

我有两个问题：

1。如何创建正确的向量？

---

2。哪个神经网络结构最适合这个问题？

这些都是非常广泛的问题。如果你想得到更准确的答案，你需要找出更小的问题

如何创建右向量

对于文本数据，通常使用。最好的结果往往是通过使用

哪种神经网络结构适用于这个问题

这很难说。我将从一个具有

k

输入神经元的网络开始（其中

k

是应用tf-idf后向量的大小：您可能还希望进行某种特征选择以减少特征的数量。一种好的特征选择方法是通过。）

然后，通过使用单个隐层，使神经元数量等于输入神经元和输出神经元数量之间的平均值，给出了一个标准的网络布局。然后，看起来您只需要一个输出神经元，它将输出文章的流行程度（这可以是一个或一个神经元）

对于隐藏层中的神经元，您也可以使用

---

你还可以尝试很多其他东西：重量衰减、动量技术、多层网络、循环网络等等。如果没有大量的实验，就不可能说什么对你给定的问题最有效。

有一些问题点：关于

右

向量的问题没有意义。这里没有对与错，只有

预测性

和

不太预测性

。提取好的（=预测性）特征是机器学习的本质，在很大程度上取决于您的问题。如果这个问题有一个通用的答案，那么机器学习将是一项微不足道的任务，不是吗？你的策略应该是：尝试你认为可以预测的功能（例如文章中的字数），看看它的效果如何。。。网络真的不太重要，只要它不太简单