什么是适合预测文章流行度的神经网络架构？答案

【问题标题】：What is suitable neural network architecture for the prediction of popularity of articles?什么是适合预测文章流行度的神经网络架构？
【发布时间】：2015-05-18 14:21:12
【问题描述】：

我是机器学习和神经网络方面的新手。目前我正在 coursera.org 上关于神经网络的课程，但我并不了解所有内容。我的论文有点问题。我应该使用神经网络，但我不知道如何为我的问题选择正确的神经网络架构。

我有大量来自门户网站（通常是报纸、杂志的在线版本）的数据。有关于文章的信息，例如，文章的名称、文章的文本和文章的发布。还有大量的序列数据可以捕捉用户的行为。

我的目标是预测一篇文章的受欢迎程度（读者人数或独立用户对文章的点击次数）。我想从这些数据中制作向量，并用这些向量输入我的神经网络。

我有两个问题：

1.如何创建正确的矢量？

2。哪种神经网络架构最适合这个问题？

【问题讨论】：

有一些问题点：right 向量的问题没有意义。这里没有对错，只有predictive 和not very predictive。提取好的（=预测的）特征是机器学习的本质，很大程度上取决于你的问题。如果这个问题有一个通用的答案，机器学习将是微不足道的任务，不是吗？您的策略应该是：尝试您认为可以预测的功能（例如文章中的字数），看看它的效果如何......只要网络不太简单，网络真的没有太大关系跨度>

标签： machine-learning neural-network

【解决方案1】：

这些都是非常广泛的问题。如果您想要更准确的答案，则需要找出较小的问题。

如何创建正确的向量？

对于文本数据，您通常使用vector space model。使用tf-idf weighting 通常可以获得最佳结果。

哪种神经网络架构适合这个问题？

这很难说。我将从具有k 输入神经元的网络开始（其中k 是应用 tf-idf 后向量的大小：您可能还想做某种特征选择以减少特征数量。一个好的特征选择方法是using the chi squared test。）

然后，通过使用单个隐藏层给出标准网络布局，其中神经元数量等于输入神经元数量和输出神经元数量之间的平均值。然后看起来你只需要一个输出神经元来输出文章的受欢迎程度（这可以是linear neuron 或sigmoid 神经元）。

对于隐藏层中的神经元，您也可以尝试linear and sigmoid neurons。

您还可以尝试许多其他方法：权重衰减、动量技术、多层网络、循环网络等等。如果没有大量实验，就不可能说出最适合您给定问题的方法。

【讨论】：