J'ai des commentaires implicites de la part des utilisateurs sur leur interaction avec différents produits. Voici la structure de l'ensemble de données: user_id, product_category, event_date, view_count, purchase_countRecommandation basée sur une rétroaction implicite - Spark Mlib
En fonction de ces données, j'essaie de prédire un score pour l'affinité d'un utilisateur avec une catégorie de produit. La forme implicite MLIB attend l'ensemble de données en entrée du format Classification (utilisateur: Int, produit: Int, classement: Double). Mais comment puis-je inclure view_count et purchase_count?
Si MLLIB ne peut pas être utilisé, il existe une autre méthode que je peux utiliser. Mes catégories de produits sont limitées (seulement 8 catégories de produits). Dans ce cas, puis-je utiliser 8 modèles de régression logistique pour prédire l'affinité?
Merci
merci pour la réponse. Un défi lié à l'utilisation d'un modèle de régression logistique unique est le résultat qui n'est pas mutuellement exclusif.Par exemple, laissez la variable dépendante est définie comme des achats de catégories de produits dans les 7 prochains jours et le client aurait effectué des achats dans plusieurs catégories. Y a-t-il une approche que je peux utiliser dans ce cas? Merci – Naveenan