В настройках системы рекомендаций: скажем, я хочу научиться прогнозировать будущие покупки предметов на основе прошлых покупок пользователей, используя подход, вдохновленный Рекомендательной системой Youtube :
Конкретно, скажем, у меня есть обучаемая сеть на основе контента, которая получает в качестве входных данных элемент и, основываясь на его содержимом, возвращает вложение для такого элемента.Теперь предположим, что каждый пользователь приобрел переменное число предметов в прошлом (некоторые пользователи могли купить 5 предметов, другие, возможно, 1, другие, возможно, 10, некоторые выбросы, возможно, 100 и т. Д.).Я хочу сгенерировать пользовательский вектор , вектор элементов-кандидатов , а затем оценку соответствия элементов пользователя следующим образом:
- Я сопоставляю каждый предмет, приобретенный этим пользователем, с его вектором встроенных предметов, используя обучаемую сеть на основе контента
- . Я вычисляю среднее значение для всех этих векторов встроенных предметов (как показано на рисунке)
- Iпримените пару слоев ReLu поверх этого среднего, получив, таким образом, пользовательский вектор
- . Я отображаю кандидатский элемент (рекомендуется) для его встроенного вектора элементов.используя одну и ту же обучаемую сеть на основе контента этапа 1 (веса этой сети всегда распределяются, как, например, сиамская сеть)
- Наконец, я вычисляю скалярное произведение между вектором пользователя и элементом-кандидатомвектор, применить кросс-энтропийную потерю во время обучения и т. д.
Итак, мой вопрос о технических деталях , как реализовать поиск встраивания и среднее значение для переменнойМаксимальное количество векторов вложенных элементов на пользователя с использованием Tensorflow .Например, представьте себе мини-серию с, скажем, 100 учебными экземплярами.Каждый обучающий экземпляр в мини-пакете, возможно, состоит из отдельного пользователя с разным количеством купленных предметов в прошлом.Хотя контекст отличается, мой вопрос очень похож на этот , но, к сожалению, до сих пор никто не ответил на этот вопрос.