我现在正在研究一个文档推荐程序，我有点卡在这里。对于每个文档，我根据用户的操作分配了一个分数。然后，当一个新文档进来时，我需要预测用户会如何喜欢它，并根据他们的分数重新排列整个文档。我的解决方案是使用阈值将这些分数划分为“推荐”和“不推荐”。然后 naiveBayes 或其他分类模型可以给我一个标签或返回该标签的可能性（我正在使用 NLTK 包进行文本分析）。我走对了吗？我的问题是，当我得到这种可能性时，如何将其转换为我用来进行排名的分数？或者我应该在 scikit 中使用逻辑回归？谢谢！
问问题
1020 次
2 回答
1
听起来您正试图将排名问题强制转换为分类问题。您真正想做的是学习如何对给定“查询”的文档进行排名。
于 2013-07-23T23:19:09.950 回答
0
我建议尝试类似 SVM-Rank 算法。它将一组“推荐”和“不推荐”向量作为输入，然后学习如何对它们进行排名，以便推荐的向量排在第一位。dlib 中还有一个简单的 python 工具，您可以使用它来执行此操作。见这里的例子：http ://dlib.net/svm_rank.py.html
于 2013-07-25T08:15:37.533 回答