Machine learning 如何为推荐系统训练神经网络？

我已经建立了一个带有反向传播的ANN作为图书推荐系统

我在网络中只有一个隐藏层，输入层和输出层都是书籍，因为你应该能够输入一本书并收到更多的书籍推荐

我已经有很多关于用户和他们对书籍的评分（1到5）的数据。我想让它进入神经网络（设置所有权重），而不必经过反向传播过程。以某种方式更机械地去做

假设每个用户的图书馆中有大约100本分级图书，我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何关联

---

谢谢。

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，神经网络更加困难，训练时间也更长。你想预测（我相信）一个人可能喜欢的书籍，因为他们的评级和购买类似书籍的人的评级

---

你应该看看。我并不是说你不能用神经网络解决这个问题，但我不确定你是否真的想要。所以听起来你好像不想使用神经网络。我发现，在这些类型的稀疏特征空间中，神经网络更加困难，训练时间也更长。你想预测（我相信）一个人可能喜欢的书籍，因为他们的评级和购买类似书籍的人的评级

---

你应该看看。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用。

我同意你可能不想用神经网络

通常使用ANN时，初始权重被分配为随机值（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

---

你研究过模糊逻辑理论来解决你的问题吗？根据我的经验，模糊逻辑似乎适合这个系统，在这个系统中，书籍评级可以用作成员函数，以确定推荐哪个类别/书籍

我同意你可能不想使用神经网络

通常使用ANN时，初始权重被分配为随机值（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

---

你研究过模糊逻辑理论来解决你的问题吗？根据我的经验，模糊逻辑似乎适合这个系统，在这个系统中，书籍评级可以用作成员函数，以确定推荐哪个类别/书籍

神经网络不能解决你的问题。你需要的是两本书之间的相似性度量。这可能包括一些标记机制，或者。然后，用户的推荐应该包括与他喜欢的书更相关的书。

神经网络并不能解决您的问题。你需要的是两本书之间的相似性度量。这可能包括一些标记机制，或者。然后，用户的推荐应该包括与他喜欢的书更相关的书。

按书评分权重，这就是为什么你有这些书。这个问题不是关于神经网络意义上的预训练。按书评分权重，这就是为什么你有它们。这个问题不是关于神经网络意义上的预训练。神经网络不会轻易地“把数据放进去”——除了使用诸如反向传播之类的训练算法之外。并不是说这不可能，但对于那些对我的想法感兴趣的人来说，这更像是一个研究问题。决策树（或使用决策树桩增强）可能适合您的应用程序。WEKA有这些，关于如何在WEKA中使用它们的一个很好的教程可以在这里找到：我以前也尝试过类似的方法，我花了很多钱通过所有的例子来估计重量，然后从那里开始训练。对于NN来说，pass往往过于昂贵。使用通过分布的权重估计并从那里开始更便宜。同意。神经网络不会轻易地“把数据放进去”——除了使用诸如反向传播之类的训练算法之外。并不是说这不可能，但对于那些对我的想法感兴趣的人来说，这更像是一个研究问题。决策树（或使用决策树桩增强）可能适合您的应用程序。WEKA有这些，关于如何在WEKA中使用它们的一个很好的教程可以在这里找到：我以前也尝试过类似的方法，我花了很多钱通过所有的例子来估计重量，然后从那里开始训练。对于NN来说，pass往往过于昂贵。使用通过分布的权重估计并从那里开始更便宜。