噓!別說話。

關於部落格

看著他隨著時間流逝而去。

關於圖:


因為有那片天空。





何処にですか、私の夢 。



沒有永遠的孤獨。

  • 42638

    累積人氣

  • 0

    今日人氣

    0

    訂閱人氣

當我回頭來看大學專題...

 Rule是怎麼歸納的?

人工去try覺得好像可以用就用上了。

當初在動機提到的問題呢?

其實最後根本不算有解決。

然後時間不夠,
至少程式寫出來而且還堪用,
好像還有那麼一回事。

但是現在要我重來,我也許會改變我的作法。



其實最早的問題是要解決不知道去哪裡吃飯這個問題。

如果完全隨機,系統隨到的你一定不會去。

當時老師提到,也許可以學習使用者的習慣。

現在想想,這個想法對大學生來講也許如雷貫耳,
但現在應該就不會這樣做了。

那個時候老師就一直要我們一定要收集使用者的回饋

一定要收集使用者的回饋

收集使用者的回饋

現在想起來,真是ㄊㄇㄉ太重要了。

但是當時我們不懂。

只是傻傻地覺得收集了就是讓下次更準。

嘛,沒錯。

不過當你的程式與網路結合就不會是這麼一回事了。

我想,理想的做法應該是要寫一個網頁介面,最好還有支援行動裝置的版本,
而自動去搜索使用者的位置。

然後,根據該名使用者過去的習慣,
還有過去曾經在這附近的人他們的選擇來推薦。

我想了一下,
最適合的大概是KNN和K-means吧!

方法如下:

首先,假設在長期的資料收集之下,
我們可以使用K-means之類的方法,
將餐廳們粗略分類。

也就是,當有一群餐廳們去的客群都是同樣的幾個人時,
我們就假定這群餐廳「就是這類人喜歡的調調」。
(這比什麼飯、麵、鍋貼、水餃……的準多了,當姐不知道想吃什麼的時候,我怎麼可能知道我想吃什麼種類。)

假設餐廳分成了r類。

接著假設今天小妹我第一次來到了中興大學,
然後中午餓了不知道要吃什麼鬼。

這個時候打開了系統。

小妹過去最常吃的是某幾間店,這幾間店最常出現的餐廳類型可能是rk類,而且價錢大概都在80元上下。

那麼,可以把這些化作一個向量。

x=(座標, 價錢, 餐廳類型)

接著,
我們可以搜尋一下過去曾經到過這裡的人,
他們的狀況。

那麼他們當時的狀況,應該也可以化作類似的向量。

這就是我們的training instances set T。
其中,T={t1, t2, t3..., tn},注意 t1 ~ tn 都是個向量。

而我們可以看一下這 t1 ~ tn 個例子中,哪些跟小妹我在座標空間中的"距離"最接近。

假設我們挑了K個跟我最接近的人,
這表示這些人過去也到過這裡,他們的預算照理說不會跟我差太多,而喜歡的用餐地點也差距不大。

然後從這些例子過去的用餐歷史中,挑出出現率最高的那幾間店。

好der,
假設小妹我選擇了其中一間,
而且決定要前往,
那麼系統就會記錄下我從這裡面查過哪幾間,
並且記錄下來。

並且在我前往的過程中,
開始重新訓練新的模型。
(重跑餐廳分類啊!增加這筆用餐紀錄進資料庫這樣。)

以後如果又有人來到這裡,
他的推薦結果應該會更準確。

這可以解決兩個問題。

第一個就是上述的,
ㄊㄇㄉ我都不知道我想吃什麼了,你還問我我想吃什麼種類?

所以系統不該問你你想吃什麼種類,而應該要從你過去挑餐廳的品味來猜測什麼店符合你的調調才對。

第二個則是,
有的時候地緣關係並不是如行政區所畫的這麼近,
這就像是如果我住在台中的南部,
說不定去彰化吃飯還比台中其他行政區近呢!

所以把使用者衛星定位座標考慮進去的話可以解決這個問題。

畢竟之前離你很近的人他到得了的地方,你也應該到得了。

頂多把交通工具也考慮進去就行了www


不過最大的問題,其實是資料的收集。


其實,應該可以從現在現有的美食推薦系統,向他們要資料吧?

如果有他們提供過去的資料,
也許一開始起步會方便很多。


當然,這裡還有另外一個問題。

我要用什麼方法來衡量我的推薦結果「好不好」?

最直觀的方法就是在推薦後,問使用者:「請問您還滿意這次的結果嗎?」

畢竟社群網路這一塊的東西,
好像很難用數學去衡量喔...

人的決定並沒有標準答案,
我怎麼知道在我推薦給你之前,
你實際上真正想要去吃的是什麼呢?


不過這都是過去的事情了。


我還是來想我的碩論要怎麼辦比較重要......ˊωˋ"
相簿設定
標籤設定
相簿狀態