在使用机器学习的基于内容的推荐系统中需要多少分类器答案

【问题标题】：how many classifiers needed in a content based Recommender system using Machine Learning在使用机器学习的基于内容的推荐系统中需要多少分类器
【发布时间】：2014-05-11 09:32:51
【问题描述】：

我想使用机器学习方法开发基于内容的推荐系统。我打算为此使用 SVM/神经网络/KNN 分类器。我收集了 300 个用户的数据。这也可以看作是用户兴趣建模问题。

我有以下疑问。

我们需要为每个用户分别训练分类器吗？这似乎不可扩展。
如果是，我们如何显示最终评估结果？分别为每个用户提供精度/召回率？？

谢谢，阿蒂什

【问题讨论】：

标签： machine-learning classification recommendation-engine

【解决方案1】：

不，您希望此神经网络适用于所有用户。

我认为正确的做法是将您的数据集划分为所有用户的训练集和测试集。把测试放在一边，训练你的神经网络。

一旦你认为你有一个好的模型，就可以针对它运行测试集，看看你的成功率是多少。

小心过度拟合。如果你的训练集预测得很好，你可能会犯过拟合的罪。它会在测试集上显示出很差的结果。

您需要确定需要多高的成功率。如果您的神经网络具有 80% 的预测能力，那是否足够好？ 90%？ 95%？你应该在开始之前弄清楚这一点。

您应该阅读有关引导的内容。

【讨论】：

感谢@duffymo 我会这样做的。是否存在我们可能需要每个用户分类器的情况？我问这个问题的原因是它写在推荐系统的一本书中。
如果您希望跨用户应用每个用户分类器，我对它没有任何意义。您正在寻找共同特征，对吗？ Netflix 使用来自像您这样的所有用户的数据，因此他们根据用户的特征来确定。您应该阅读“编程集体智能”。它有一个关于推荐系统的精彩章节。