步骤2：准备模型训练数据
我们的推荐系统将基于分类任务，确定特定产品是否属于适当的组。训练得两种类型的数据。正条目表示从购物车中移除任意产品，而负条目表示从未包含在购物车中的产品。这种方法可以让您区分应该或不应该包含在购物车中的产品。接下来，您需要为每个条目填充上下文：零售店的描述、购买时间、外部属性。在形成用 切特数据 于训练模型的数据集的过程中，这些操作的代码包含在上面的笔记本中。
DataSphere 使用标准的 Jupyter Notebook 界面。 GlowByte。通常，不同的笔记本电脑可用于信息准备和培训；在演示装置中，这些动作是一起进 如何优化网站的移动 SEO 行的。创建推荐系统时，用户可以使用任何指定的选项。本说明使用现成的笔记本文件。
接下来，您需要为每种产品创建矢量表示 – 一组与产 手机号码列表 品在篮子中的呈现方式相对应的特征。为此，我们使用了 SVD 分解方法，该方法广泛应用于机器学习的各个领域。让我们创建一个矩阵，其中一行代表一个篮子，一列代表其中包含的产品。利用SVD分解，将矩阵分解为三个元素。为此，计算给定产品的向量表示和购物篮向量的平均值之间的余弦度量。
这将允许您确定给定产品和特定购物篮中的产品之间的相似程度。
为了向用户生成个性化推荐，我们对每个产品应用计算的 RFM 聚合：新近度（购买该产品的时间）、频率（购买频率）、金额（每个用户在相应产品上的支出）。计算出的总量可作为预测模型的预测指标。
在输出中我们得到一个将用于解决问题的数据集。
步骤3：训练模型
完成数据准备后，您需要选择训练方法。一旦完成，该模型将能够根据产品与购物篮的潜在相关性对其进行排名。根据生成的排名和业务指标，提出建议。 GlowByte 专家发现，在这种情况下最合适的方法是梯度提升，它被广泛用于分类和回归。如果所使用的数据包含可以成功应用于深度学习的依赖关系，那么所有类型的神经网络也都适用。
接下来我们开始训练。完成后，可以评估所选预测因子的重要性。
下一步是评估生成的模型的质量。 GlowByte 专家声称分两步进行会更加方便。首先是评估预测某个产品是否会被纳入购物篮的准确性。二是检验算法的实际使用效果。所考虑情况下的第一个动作是通过分类方法评估的指标，基于历史数据来执行的。第二是通过详细设计和实施A/B测试。