Neural network 使用神经网络提供建议

所以我开始使用FANN（）来创建一个简单的推荐引擎

比如说,

用户X与ID为

[1,2,3]

其他用户与以下ID有关系：

• 用户A:

  [1,2,3,4]

• 用户B:

  [1,2,3,4]

因此，很自然，用户X也有可能对id为

4

的记录感兴趣，并且它应该是推荐引擎的期望输出

感觉这将是一个神经网络可以完成的事情。然而，通过试用FANN和谷歌搜索，似乎需要和数据和结果建立某种数学关系。这里有ID，没有；ID也可以是任何符号

---

问题：是否可以用神经网络解决此类问题？我应该从哪里开始寻找解决方案

你要找的是某种递归神经网络；以某种方式存储“上下文”的网络。这类网络的例子将是和。因此，基本上，您必须按顺序输入数据。根据上下文和当前输入，网络将预测最可能的标签

似乎需要与数据和结果建立某种数学关系。这里有ID，没有；ID也可以是任何符号

数据和结果之间存在明确的关系，这可以通过权重和偏差来表示

那么它是如何工作的呢？首先，您需要对输入和输出进行热编码。因此，基本上，您要预测哪个标签最有可能位于用户已经交互过的一组标签之后

如果您有5个标签：A、B、C、D、E，这意味着您将有5个输入和输出：

[0、0、0、0]

如果标签是A，则数组将是

[1,0,0,0,0]

，如果标签是D，则数组将是

[0,0,0,1,0]

因此，LSTM和GRU的关键在于数据应该是连续的。因此，基本上，您可以逐个输入所有观看的标签。因此，如果用户观看了a、B和C：

activate: [1,0,0,0,0] 
activate: [0,1,0,0,0]

// the output of this activation will be the next predicted label
activate: [0,0,1,0,0]
// output: [0.1, 0.3, 0.2, 0.7, 0.5], so the next label is D

你应该训练网络，使INt的输出为INt+1