本文探讨了如何通过预测商品的特征将其转换为分词结果，并利用相似度匹配技术进行推荐。具体流程包括从dim_fashion_matchsets中提取推荐搭配，通过与商品类别对比剔除不相关商品，最终生成推荐结果。此过程涉及IdToItem和ToTerms的转换，以及使用CommonCount和ToCats文件进行数据处理。
test_item预测的item由id变成它对应的分词结果,代表的是预测的商品是怎么样的一个商品 （test_IdToItem.java）IdToItem.txt
ToTerms.txt将dim_fashion_matchsets中各搭配的item由id变为dim_items.txt中的对应的分词
上面两者做相似度匹配，记录行号，将推荐搭配的行号，按相似度由高到低推荐给它，推荐结果line.txt.(CommonCount.java)可能出现问题Too many file open，截取后面一段的文件重新操作就可以了
最后回到matchsets，将与预测商品同类的商品剔除，保留其搭配的商品，其中预测的是否为同类商品，是根据他们的类别cat是否相同来判断的（未剔除）
比如line.txt第一个数为5735，即matchsets中第5735的推荐搭配最适合，找到dim_fashion_matchsets第5735行的数据 ：
912534,932752,658698,519908,70341,3050430,300564,1071257,1590463,2240550,84524,3204531,3267304,3185197,1273818,1334655
而并不是这一行所有商品我们都需要，我们去ToCats.txt 中找到，第一个预测商品的对应的类别cat，第一行对应399，同时，去ToCat.txt中找到第5735行，对应matchsets中第5735行的所有商品的类别：487 487 487 487 399 399 399 399 220 220 220 220 317 317 317 317，相比对，我们需要剔除掉类别为399的商品
扫一扫
3378
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
