Мне нужна помощь в расширении учебного пособия по TensorFlow для широкой и глубокой рекомендации (ссылка) для включения последовательных / временных данных.
Учебное пособие (ссылка) демонстрирует, как совместно обучать широкие и глубокие модели с использованием категориальных и непрерывных функцийдля системы рекомендаций.
Мой набор данных содержит последовательные / временные данные (т. е. хронологически упорядоченный список пользовательских событий). Я хотел бы включить эти последовательные данные в качестве функций для подачи в систему рекомендаций.
Основываясь на моих онлайн-исследованиях, я считаю, что в Keras / TensorFlow есть слои внимания, использующие RNN, которые можно обучать на последовательных данных.
Я понимаю, что различные слои можно комбинировать и совместно обучать, а не создавать отдельные модели (т.е. избегать создания ансамблей).
См. Пример кода здесь:
https://github.com/tensorflow/models/tree/master/official/r1/wide_deep
Я ожидаю, что добавление уровня RNN, вероятно, даст более релевантные рекомендации, так как этот уровень может извлечь уроки из последовательных данных, содержащих контекстную информацию о поведении пользователей / их изменяющихся предпочтениях.
Вот ссылка на некоторые исследования, которые янаткнулся, что описывает преимущества этого подхода:
Название: Моделирование контекстных изменений в поведении пользователей в моде электронной коммерции Ссылка: https://link.springer.com/chapter/10.1007%2F978-3-319-57529-2_42