Я создаю простой механизм рекомендаций / предложений для демонстрационного приложения, которое ведет список людей.Для каждого человека он отслеживает свои предпочтения в еде со следующими предпочтениями:
- Тип диеты: вегетарианская / невегетарианская / веганская
- Пристрастия к кухне: индийская, мексиканская, итальянская,и т. д. (человеку может нравиться более одного)
- Тип питания с точным временем: завтрак, обед, ужин, ужин
- Специализированные диеты: кето, тип группы крови, Аткинс и т. д..
- Любимые овощи: шпинат, брокколи и т. Д.
- Требования к пищевой аллергии
- Расположение - город, район, улица и т. Д.
Как только эти данные станут доступны системе, мне нужно создать простой механизм предложений -
- . Для любого выбранного человека предложите 10 других людей, которые наиболее совместимы с точки зрения пищевых привычек.
- Для выбранной группы людей (скажем, x, максимум 5) предложите x + 10 (здесь 15) людей из системы таким образом, чтобы у каждого человека в выбранной группе была совместимая привычка хотя бы с одним другим человеком.Порядок людей в группе не имеет значения.
Здесь я понимаю, что мне не нужны будущие прогнозы по неизвестным данным и, следовательно, действительно нет необходимости в машинном обучении.Все, что мне нужно, это предложения, основанные на статистической совместимости существующего набора данных.Правила в основном основаны на отношениях, которые люди имеют с их привычками питания.
Правильно ли мое понимание?Эта проблема полностью разрешима с базой данных графа как Neo4j?Или мне действительно построить Neural модель для этого, используя Tensorflow?