基本的市场篮子/推荐分析问题[关闭]

Question

我有一个关于购物篮分析/推荐算法的问题。使用 Python，我为我父亲的商店创建了一个非常基本的推荐算法（如果你甚至可以这么称呼它）。基本上，它将购买项目 X 和 Y 的可能性作为购买项目 X 和其他任何东西的百分比。 （据我了解，这是Jaccard Index 的想法）我试图模仿亚马逊这样的大型商店使用“查看此商品的客户也购买了”功能所做的事情。

我的问题是我不知道如何过滤掉所有的噪音。例如，很多人买香蕉。所以香蕉总是显示为其他项目的“高可能性”，即使它没有以有趣的方式相关。有没有其他基本的统计技术来过滤掉经常购买的物品？我目前的技术减轻了影响，但它仍然存在。

谢谢！

Answer 1

您在询问Collaborative Filtering。一种方法是训练一个neural network，通常使用一个隐藏层¹，输入层和输出层将为您商店中的每件商品提供一个perceptron。用一个人喜欢的产品喂它，它会产生每个项目被这个用户喜欢的可能性（或分类，取决于你如何训练你的网络）。
然后，您使用 back-propogation algorithm 使用现有客户群训练模型

这种方法不是试图找到“与您相似”的人 - 而是为用户建立个人资料，并根据此个人资料推荐项目。

由于您使用的是 python，因此您可以使用 scikit-learn 并使用这些算法的现有实现

还存在更高级的机制，而且总的来说 - 这个研究领域在不断发展。 Netflix Prize challenge 围绕同一个话题展开。

---

(1) 隐藏层代表分类——例如食物、工具、书籍……但是，算法会为你找到一些分类，你需要做的就是告诉你想要多少类别，在网络中建筑学。具有多个隐藏层可以表示子类别。