问神经网络推荐引擎

EN

我建议使用非监督学习(如自组织映射 )来研究神经网络。使用正常的监督神经网络来做你想做的事情是非常困难的，除非你能够非常精确地分类这些数据以供学习。自组织地图没有这个问题，因为网络学习分类组都是自己的。

本文介绍了一个用于音乐http://www.springerlink.com/content/xhcyn5rj35cvncvf/的音乐推荐系统。

更多的论文来自google学者http://www.google.com.au/search?q=%09+A+Self-Organizing+Map+Based+Knowledge+Discovery+for+Music+Recommendation+Systems+&ie=utf-8&oe=utf-8&aq=t&rls=com.ubuntu:en-US:official&client=firefox-a&safe=active。

首先，你必须决定你到底要推荐什么，在什么情况下。有很多事情要考虑。你会考虑“其他购买X的用户也买了Y吗？”你是否只推荐一些性质相似的物品？你是在推荐那些有这种一种关系更有用的东西吗？

我相信还有更多的决定，每个决定都有自己的目标。要训练一个庞大的网络来处理上述所有问题是非常困难的。

神经网络都归结为同一件事。你有一组给定的输入。你有一个网络拓扑。你有一个激活函数。节点的输入有权重。您有输出，并且有测量和纠正错误的方法。每种类型的神经网络都可能有自己的方式来做每一件事情，但它们总是存在的(据我有限的知识)。然后，通过输入一系列已知输出结果的输入集来训练网络。你可以根据你的意愿运行这个训练集，而不需要结束或正在训练(这是你的猜测，也是下一个人的猜测)，然后你就准备好了。

从本质上说，您的输入集可以被描述为一组您认为与手头的基本功能相关的品质(例如:降水、湿度、温度、疾病、年龄、地点、成本、技能、一天中的时间、工作状态和性别在决定某人是否在某一天打高尔夫球方面都可能起着重要的作用)。因此，你必须决定你到底想推荐什么，在什么条件下。您的网络输入本质上可以是布尔值(例如，0.0为false，1.0为true )，也可以映射到伪连续空间中(其中0.0可能根本不表示，.45表示某种意义，.8表示可能，而1.0表示是肯定的)。第二个选项可能为您提供工具来映射某个输入的置信度，或者提供一个简单的数学计算，您认为这是相关的。

希望这能帮上忙。你没有付出太多去继续下去:)