После прочтения следующей статьи: Введение в RBM мне пришло в голову, что RBM будет хорошо работать, используя вектор постоянного размера для размещения обучающих выборок (т.е. фиксированный пул фильмов).Однако в реальном мире размерность вектора будет увеличиваться при добавлении новых фильмов или уменьшаться при удалении старых фильмов (если это разрешено).Существуют ли какие-либо методы, которые будут постепенно переобучать модель на основе новых обучающих выборок, когда ее входное измерение постоянно меняется, как я описал?
Кроме того, если один фильм добавлен, а другой удален, размер вектора останется прежним, но данные тренировки теперь будут другими.Есть ли способ справиться с этим тоже, то есть без переобучения модели с нуля?
Исходя из моего понимания RBN, я хотел бы восстановить рекомендацию на основе значений, представленных скрытому слою (таким образом,рекомендация должна быть получена из нашего динамически изменяемого пула)
Есть ли другой способ решения проблемы такого типа?Мне кажется, что есть класс проблем, похожих на этот, так как я размышлял над чем-то похожим раньше.
Я ценю, что пример предназначен в качестве учебного пособия, поэтому неуважение к авторупредназначенный.