DoorDash使用貝葉斯演算法為客人推薦菜譜
機器學習正在讓人們在餐館點菜變得容易和輕鬆。 可為每個使用者建立個性化的體驗,透過根據人們的點菜歷史訂單為餐館提供推薦建議。
透過建模菜餚之間的相似性,這樣如果你喜歡某些美食,就可以推薦其他什麼美食。
要做到這一點,主要是基於訂單使用了貝葉斯網路結構學習。貝葉斯網路是一種機率圖模型,它表示兩個變數之間及其在圖結構中的依賴性之間的關係。 比如,如果有“西班牙人”和“Tapas”變數,就能表示它們之間的機率分佈,也就是說如果你喜歡西班牙食物,你很可能喜歡Tapas。
貝葉斯網路結構學習演算法找到資料中所有變數之間的聯合機率分佈的緊湊表示。簡單來說,根據你過去不同的點菜機率,能推薦找到某種型別的美食。 而使用這些干涉資料將能讓我們獲得真正的因果關係,從而我們可以看到菜餚之間的關係,但我們不能確保箭頭就代表因果關係。
為了學習網路結構,我們使用一個爬坡的做法(hill climbing approach) ,得到下圖, 您可以嘗試使用自己的資料這種技術bnlearn R包。 (雖然貝葉斯網路可以表示反向關係,但我們只在下面的圖表中顯示正向關係。)
透過建模菜餚之間的相似性,這樣如果你喜歡某些美食,就可以推薦其他什麼美食。
要做到這一點,主要是基於訂單使用了貝葉斯網路結構學習。貝葉斯網路是一種機率圖模型,它表示兩個變數之間及其在圖結構中的依賴性之間的關係。 比如,如果有“西班牙人”和“Tapas”變數,就能表示它們之間的機率分佈,也就是說如果你喜歡西班牙食物,你很可能喜歡Tapas。
貝葉斯網路結構學習演算法找到資料中所有變數之間的聯合機率分佈的緊湊表示。簡單來說,根據你過去不同的點菜機率,能推薦找到某種型別的美食。 而使用這些干涉資料將能讓我們獲得真正的因果關係,從而我們可以看到菜餚之間的關係,但我們不能確保箭頭就代表因果關係。
為了學習網路結構,我們使用一個爬坡的做法(hill climbing approach) ,得到下圖, 您可以嘗試使用自己的資料這種技術bnlearn R包。 (雖然貝葉斯網路可以表示反向關係,但我們只在下面的圖表中顯示正向關係。)
[img index=1]
快速看看這張圖,其顯示一些有趣的關係。如果你喜歡義大利,你可能會喜歡比薩或麵食。但在這裡也有一些令人驚訝的結果:例如,如果你喜歡快餐,結果你可能也喜歡中國食物。
在未來,我們希望使用此型別的模型來向特定使用者推薦某些促銷或新餐館。 例如,如果我們想要一個特定的泰國餐廳,我們可以看到,這可能是喜歡亞洲食品相關的任何人。
相關文章
- 04貝葉斯演算法-貝葉斯網路演算法
- 貝葉斯思想概述:從貝葉斯定理到貝葉斯網路
- 機器學習——貝葉斯演算法機器學習演算法
- 機器學習|樸素貝葉斯演算法(二)-用sklearn實踐貝葉斯機器學習演算法
- 樸素貝葉斯演算法演算法
- 機器學習|樸素貝葉斯演算法(一)-貝葉斯簡介及應用機器學習演算法
- 從貝葉斯方法談到貝葉斯網路
- 貝葉斯推斷架構實現架構
- 貝葉斯公式公式
- 貝葉斯推斷 && 概率程式設計初探程式設計
- 分類演算法-樸素貝葉斯演算法
- 04_樸素貝葉斯演算法演算法
- chapter6:概率及樸素貝葉斯--樸素貝葉斯APT
- 貝葉斯分類演算法例項 --根據姓名推測男女演算法
- 貝葉斯分類演算法例項 –根據姓名推測男女演算法
- 樸素貝葉斯演算法原理小結演算法
- 【機器學習】--貝葉斯網路機器學習
- 樸素貝葉斯模型模型
- 貝葉斯分類器與貝葉斯網路之間的關係
- 機器學習演算法(二): 樸素貝葉斯(Naive Bayes)機器學習演算法AI
- Machine Learning-樸素貝葉斯演算法Mac演算法
- 複習機器學習演算法:貝葉斯分類器機器學習演算法
- 基於樸素貝葉斯的定位演算法演算法
- 全概率公式、貝葉斯公式公式
- 貝葉斯公式及其含義公式
- 樸素貝葉斯法初探
- 貝葉斯迴歸簡介
- 基於使用者投票的排名演算法(六):貝葉斯平均演算法
- Python機器學習筆記:樸素貝葉斯演算法Python機器學習筆記演算法
- 樸素貝葉斯演算法的實現與推理演算法
- 貝葉斯個性化排序(BPR)演算法小結排序演算法
- Python機器學習 — 樸素貝葉斯演算法(Naive Bayes)Python機器學習演算法AI
- 樸素貝葉斯演算法的python實現演算法Python
- 使用樸素貝葉斯過濾垃圾郵件
- 貝葉斯推理:為什麼理性這麼難? - newyorker
- 樸素貝葉斯和半樸素貝葉斯(AODE)分類器Python實現Python
- 貝葉斯公式的通俗講解公式
- 貝葉斯超參優化方法優化