深度学习在电商商品推荐当中的应用

import numpy as np

import matplotlib as mt

from gensim.models import word2vec

from sklearn.model_selection import train_test_split

order_data = pd.read_table('C:/Users/17031877/Desktop/SuNing/cross_sell_data_tmp1.txt')

dealed_data = order_data.drop('member_id', axis=1)

dealed_data = pd.DataFrame(dealed_data).fillna(value=http://ai.51cto.com/art/201709/'')

2.简单的数据归并整顿

# 数据归并 
dealed_data = dealed_data['top10'] + [" "] + dealed_data['top9'] + [" "] + dealed_data['top8'] + [" "] + \ 
              dealed_data['top7'] + [" "] + dealed_data['top6'] + [" "] + dealed_data['top5'] + [" "] + dealed_data[ 
                  'top4'] + [" "] + dealed_data['top3'] + [" "] + dealed_data['top2'] + [" "] + dealed_data['top1'] 
 
# 数据分列 
dealed_data = [s.encode('utf-8').split() for s in dealed_data] 
 
# 数据拆分 
train_data, test_data = train_test_split(dealed_data, test_size=0.3, random_state=42)

我们只须要比较p1和p2的大年夜小即可，在前提自力的情况下可以直接写成：

3.模型练习

接下来就是用model来练习获得我们的推荐商品，这边有三个思路，可以根据具体的营业需乞降实际数据量来选择：

推敲用户最后一次操作的存眷物品x，干掉落那些已经被用户购买的商品，剩下的商品表示用户依旧有兴趣然则因为没找到合适的或者便宜的商品，经由过程商品向量之间的类似度，可以直接计算出，与其高度类似的商品推荐给用户。

3.2 最大年夜可能购买商品

根据汗青上用户依旧购买的商品次序，断定根据当前这个目标用户近期买的商品，接下来他最有可能买什么?

比如汗青数据告诉我们，购买了手机+电脑的用户，后一周内最大年夜可能会购买背包，那我们就针对那些近期购买了电脑+手机的用户去推送电脑包的商品给他，刺激他的潜在规律需求。

# 向量库 
rbind_data = pd.concat( 
    [order_data['top1'], order_data['top2'], order_data['top3'], order_data['top4'], order_data['top5'], 
     order_data['top6'	
			 4/5   首页 上一页 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