Ein praktischer Leitfaden zur Erstellung eines Diagramms für E-Commerce-Szenarien
Für die Optimierung von Empfehlungssystemen ist es notwendig, sich auf die Modellierung von Nutzerverhaltensmustern und Produktassoziationen zu konzentrieren:
- Phase der Datenaufbereitung::
1. vorbereiten von Benutzer-Browsing/Kauf-Protokollen, formatiert alsuser_id,item_id,action_type,timestamp
2. fügen Sie Warenattribute zuGAG_data/items_metadata.csv
3. erste Aufforderungen wie z. B. "Simulieren Sie, dass die Benutzer häufig zwischen Produkten derselben Kategorie hin- und herspringen" konstruieren. - Atlas-Generation::
- ausführenpython main.py --task ecommerce --build --config "dense"
- hinzufügen--relation_weightParameter Verbesserte Gewichtung der Kaufseite
- ausnutzen--dynamics 7dModellierung der wöchentlichen Dimensionsänderungen
Anwendungsmethoden:
1. pfadempfehlung: Durchführung eines zufälligen Wanderalgorithmus auf der Grundlage der erstellten Karte
2. die Entdeckung der Gemeinschaft: Identifizierung potenzieller Nutzergruppen mit Hilfe des Louvain-Algorithmus
3) Kaltstartlösungen: Anschluss neuer Waren an bestehende Knotenpunkte mit ähnlichen Merkmalen
Bewertung der Indikatoren:
- Berechnung der Graphendichte, die die Angemessenheit der Konnektivität zwischen Nutzern und Gütern widerspiegelt
- Ermittlung von Clustering-Koeffizienten zur Bewertung der Angemessenheit von Empfehlungen
- passieren (eine Rechnung oder Inspektion etc.)evaluate/movie/main.pyAnpassungsberechnung HitRate@K
Diese Antwort stammt aus dem ArtikelGAG: Generierung eines Graphen sozialer Beziehungen unter Verwendung eines großen Modells zur Simulation menschlichen VerhaltensDie
