如何解决根据人口统计和兴趣建议“ n”个用户的最佳方法
我试图在用户-用户推荐系统方法和无监督的机器学习中实现这一点。 数据中没有噪音,即每个用户都很重要。
我尝试了两种方式:
1。最近的Neibhours:
model = NearestNeighbors(metric = 'cosine',algorithm = 'brute')
model.fit(X.to_numpy())
distances,indices = model.kneighbors(X.iloc[],n_neighbors = n)
这种方法可以立即为用户提供帮助,但是由于我们没有标记点,因此我无法找到评估该模型的方法。
2。 HDBSCAN
model = hdbscan.HDBSCAN()
model.fit_predict(df)
在这种方法中,我们得到了标签,但是要找到n个相似的用户,我们必须计算欧几里得距离和排序。如果我们尝试为新的点/用户触发,则必须重复此操作。
所需建议:
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。