Python 为不同字符串参数之间的文档相似性建模的最佳方法是什么？

我有一个预测用户所面临问题的解决方案的问题

问题设置如下所示：

我们有一个问题和解决方案的数据库。对于每个问题，我们有三个参数来表示它

作业名称（字符串-作业名称）

作业Id（整数-作业Id）

根本原因（字符串-该问题的原因） 每个问题都有一个对应的解决方案，由面对该问题的用户添加。解决方案参数是

解决方案（字符串-用户为该问题输入的解决方案）

因此，我们希望利用该数据库并预测新问题的解决方案（问题是一组jobname、jobid、rootcause-都是字符串）

我们最初提出了这个解决方案。 我们只想识别与查询问题类似的问题（一组jobname、jobid、rootcause），并为最近的问题提供解决方案。 但是在这种情况下，我们没有任何方法来测量训练误差，就像我们在房价预测问题中所做的那样

---

一般来说，我们如何处理这个问题，以及我们需要使用什么样的机器学习模型？

似乎，您想要构建一种推荐系统。根据问题的原因，列出建议的解决方案。一种可能的解决方案-使用矢量化

根本原因

，然后尝试使用矢量相似性查找类似问题。

我建议您首先识别特征。JobID没有任何意义。因此，如果jobName和rootcause可以帮助您预测解决方案。你应该用他们训练你的模型来预测解决方案，假设我们对

jobid

字段进行一次热编码，并对

rootCause

使用矢量化，正如你所说，我们如何为jobid和rootCause分配权重？。为此，我们需要测量模型的训练误差。我只是需要一些帮助来建模问题以测量训练误差。为了能够测量训练误差，你应该知道“正确”的答案。但你需要找到“最接近”的问题。当所有根本原因都有向量表示时，可以使用相似性度量（例如，两个向量之间的余弦相似性）来查找与新问题相似的问题。那么，在查找相似问题时，如何为jobid和根本原因分配权重？可以使用余弦距离来代替权重。如果两个向量（根本原因）的余弦距离接近1-这是类似的“问题”，如果接近0-则完全不同（）。因此，您可以向用户显示10个最接近的问题。根本原因之间的距离很好，但您将谁纳入jobName参数？您为1分配了什么权重。根源与2之间的距离。作业ID之间的距离？