新闻推介的多种方法探讨

Question

我是ML的初学者(我只完成了吴家富的ML课程)，我必须做新闻推荐信。

我在本论文中提到了不同的新闻推荐方法(第7页)，其中大多数采用了概率方法(贝叶斯网络、潜在dirichlet分配、朴素贝叶斯模型、概率矩阵因式分解模型)。此外，一些新闻推荐人是基于多武器强盗问题(如雅虎的头版)。我对这些方法一无所知。

我对下一步该做什么感到很困惑。现在，我计划采用一种非常基本的混合方法(协作过滤和基于内容的过滤)。但似乎我很快就要探索这些领域了，那么什么是探索这些领域的好策略(和资源)呢？

Answer 1

推荐人系统本身就是一个巨大的话题，不用说，还有很多研究在进行。

这个书对推荐系统做了深入的研究，可能不是你想要的东西，但作为一个参考是有帮助的。你好像不知道这些词是什么意思。Berekely人工智能课程涵盖了这些主题中的大部分，他们的讲座是免费的。

您可能会作出更好的选择后，通过上述一些材料。

Answer 2

要决定一个好的策略，最好的方法是从以下两方面考虑：

• 从评分方法(不推荐)：您可以测试所有上述算法与您的数据集和检查，给出最好的分数。您可以使用像Sci-Kit这样的工具来实现所有这些算法，其中与数据集对应的得分最高，并使用该算法。缺点是，有时即使是分数也很高，数据集可能与该算法不一致，我的意思是，尽管你的分数很高，但你可能得不到你想要的结果。所以我才不推荐这个。
• 从面向数据集的方法:对于这种方法，您必须仔细研究您的数据集。甚至从基于内容的过滤开始也不是什么坏主意。但是，根据您的需要和在特定情况下提高精度的必要性，可以确保您探索解决特定问题的算法。这样你就不会用所有不必要的算法来强调自己了。您可以先使用朴素的Bayes，因为它很容易理解，然后根据您在推荐中所需的内容，以及您用来提供建议的特性，从那里获取它。所有这些因素都起作用。通过这种方式，您可以探索提高模型效率所需的方法。