我正在尝试建立一个基于用户意图的文章推荐系统。每个用户将选择一个意图。例子是：
1- 过上健康的生活
2- 放松和精神焕发
3- 找工作
4- 了解技术
等等。我已经定义了 20 个这样的意图。我从几个博客和网站及其链接中删除了网页内容。我需要根据选择的意图向用户建议相关链接。 问题：
我想这可以通过无监督机器学习算法得到最好的解决。这是正确的做法吗？
解决此问题的可能步骤（需要考虑可扩展性）或算法或最佳工具 （我更喜欢python）？我发现 genisim 库适合这个吗？
【问题讨论】：
标签： python machine-learning data-science
关于这一点的所有 cmets 和答案都是正确的：没有办法在一开始就指定“最佳”模型。我添加这个答案是为了指出这背后原因的非技术讨论：No Free Lunch Theorem for Machine Learning，以及数学讨论here。
希望这些链接对以后遇到此问题的人有用。
【讨论】：
正如@Root 所说，许多其他人已经证明他们并不是适用于所有情况的最佳算法。
您必须构建模型并评估/调整/优化它们并测量它们的准确性。使用精度最高的单一算法（您还可以考虑性能、可扩展性、易于实现的参数）或混合算法（模型集成）作为首选模型。
谈到您的问题，我认为神经网络是此类推荐的算法之一，并且很容易上手。稍后你还可以寻找分类树、深度学习等。
我希望这有助于开始。
【讨论】：
一般来说，除了非常特殊的用例之外，没有人可以推荐“最佳”算法。
深入思考变量与数据外观之间的关系。正确的算法要么像钟声一样清晰，要么需要实验。没有人能告诉你该用什么。
【讨论】：
首先，您需要了解您在寻找什么，从而了解问题/目标。你想弄清楚什么。然后要么把它写得很具体，然后把它变成统计问题。例如。我想要明天可能下雨的概率。 1）如果你想预测一个目标值，那就去监督学习。 2）如果不是，那么无监督学习。 3）你有什么价值观？离散的，分类的？ 4）如果您正在寻找是/否类型的答案，请进行分类。 5）如果目标值可以是任意数字，则进行回归。 6）如果您不尝试预测目标值，那么您可以进行无监督学习。 7）您是否尝试将一些值放入离散组中，然后进行聚类。 8) 如果您想知道拟合的强度，请使用密度估计算法。
阅读使用 Python/R 进行统计学习和机器学习的要素了解更多信息。快乐学习！
【讨论】：