Machine learning 预测产品'；s按搜索词分类
问题：用户使用搜索词执行产品搜索，我们应该定义与该搜索词最相关的类别（类别按降序排列） 给定：产品集，大约50000个（可能是10倍以上）产品。产品包含其所属类别的标题、说明和列表 型号： 预处理执行词干分析，并从产品标题和描述中删除停止词。将所有具有唯一词干的单词放入大小为N的单词列表中。将所有类别放入大小为M的类别列表中 拟合使用具有N个输入神经元和M个输出的神经网络 培训对于具有单词w1、w3、w4、w6的产品，输入将为x=[1 0 1 1 0 1…]，其中索引对应于单词中千字索引的元素将设置为1。如果产品属于c1、c3、c25类，则对应于y=[1 0 1…1（第25位）…]预测步骤。作为输入，将用户搜索词词干标记作为输出，为我们提供最相关类别的预测 这种模式是解决此类问题的正确方法吗？隐藏NN层配置的建议是什么。任何建议都会有帮助，我对机器学习完全陌生Machine learning 预测产品'；s按搜索词分类,machine-learning,nlp,neural-network,Machine Learning,Nlp,Neural Network,问题：用户使用搜索词执行产品搜索，我们应该定义与该搜索词最相关的类别（类别按降序排列） 给定：产品集，大约50000个（可能是10倍以上）产品。产品包含其所属类别的标题、说明和列表 型号： 预处理执行词干分析，并从产品标题和描述中删除停止词。将所有具有唯一词干的单词放入大小为N的单词列表中。将所有类别放入大小为M的类别列表中 拟合使用具有N个输入神经元和M个输出的神经网络 培训对于具有单词w1、w3、w4、w6的产品，输入将为x=[1 0 1 1 0 1…]，其中索引对应于单词中千字索引的元素将
谢谢大家! 我认为这是解决问题的正确方法，因为您正在处理一个多标签分类问题。也就是说，一个样本可以同时属于多个类，或者属于单个类，或者不属于任何类（类别） 这是一个关于Python的好例子：。 你可以得到更多的细节 对于隐藏层配置，第一种方法是使用交叉验证来测试测试集的准确性。但如果你想更进一步，请阅读