深度学习在电商商品推荐当中的应用

其实对于很多机械进修的算法而言，都是按照先假定一个模型，再结垢荷琐损掉函数，经由过程数据来练习损掉函数求argmin(损掉函数)的参数，放回到原模型。

# 最后一次浏览商品最类似的商品组top3 
x = 1000 
result = [] 
result = pd.DataFrame(result) 
for i in range(x): 
    test_data_split = [s.encode('utf-8').split() for s in test_data[i]] 
    k = len(test_data_split) 
    last_one = test_data_split[k - 1] 
    last_one_recommended = model.most_similar(last_one, topn=3) 
    tmp = last_one_recommended[0] + last_one_recommended[1] + last_one_recommended[2] 
    last_one_recommended = pd.concat([pd.DataFrame(last_one), pd.DataFrame(np.array(tmp))], axis=0) 
    last_one_recommended = last_one_recommended.T 
    result = pd.concat([pd.DataFrame(last_one_recommended), result], axis=0)

第一步

p(1|No.1层未知参数)=sigmoid(No.1层未知参数)

p(0|No.2层未知参数)=sigmoid(No.2层未知参数)

第二步

同理，第三第四层：

p(0|No.3层未知参数)=sigmoid(No.3层未知参数) 
 
p(0|No.4层未知参数)=sigmoid(No.4层未知参数)

然后求p(1|No.1层未知参数)xp(0|No.2层未知参数)xp(0|No.3层未知参数)xp(0|No.4层未知参数)最大年夜下对应的每层的未知参数即可，求解方法与logistic求解方法近似，未知参数分布偏导，后续采取梯度降低的方法(极大年夜、批量、牛顿按需应用)

part four：approximate nerual network

商品的类似度

举个例子：

存在1000万个用户有过：“啤酒=>西瓜=>剃须刀=>百事可乐”的商品购买次序

10万个用户有过：“啤酒=>苹不雅=>剃须刀=>百事可乐”的商品购买次序，如不雅按照传统的概率模型比如navie bayes 或者n-gram来看，P(啤酒=>西瓜=>剃须刀=>百事可乐)>>p(啤酒=>苹不雅=>剃须刀=>百事可乐)，然则实际上这两者的人群应当是同一波人，他们的属性特点必定会是一样的才对。

我们这边经由过程了随机初始化每个商品的特点向量，然后经由过程part three的概率模型去练习，最后肯定了词向量的大年夜小。除此之外，还可以经由过程神经收集算法去做如许的工作。

Bengio 等人在 2001 年揭橥在 NIPS 汕９依υ?┞仿《A Neural Probabilistic Language Model》介绍了具体的办法。

我们这边须要知道的就是，对于最小维度商品，我们以商品向量(0.8213，0.8232，0.6613，0.1234，…)的情势替代了0-1点(0，0，0，0，0，1，0，0，0，0…)，单个的商品向量无意义，然则查对的商品向量我们就可以比较他们间的余弦类似度，就可以比较类目标类似度，甚至品类的类似度。

# 原始数据练习 
# sg=1,skipgram;sg=0,SBOW 
# hs=1:hierarchical softmax,huffmantree 
# nagative = 0 非负采样 
model = word2vec.Word2Vec(train_data, sg=1, min_count=10, window=2, hs=1, negative=0)

3.python代码实现

1.数据攫取

# -*- coding:utf-8 -*- 
import pandas as	
			 3/5   首页 上一页 1 2 3 4 5 下一页 尾页	
			

　　推荐阅读
　　利用命令行工具创建Linux/Mac系统下的网站备份
            
            创建网站备份应当是一个网站治理员最为重要的日常工作之一。但实际情况是，备份这一步往往被很多人忽视，也就是说仍然有很多网管的网站安然意识较低。所有的Linux/Mac用户都可以或许零经济>>>详细阅读


本文标题：深度学习在电商商品推荐当中的应用
地址：http://www.17bianji.com/lsqh/37112.html
 1/2    1