前回挑戦したが微妙な結果だった知名度ランキング。
しかし「知名度」の指標として「Google検索ヒット数」を使用するアイディアは良かった。
前回をベースとして改善した結果いいかんじのランキングができた。
「青眼の白龍」、「ブラックマジシャン」など数ある有名カードのうちどれがどのくらい有名なのか、
あるいはどのカードの知名度が低いのか。
知名度を数値化することでカード間の比較を行いたい。
ここで「知名度」の指標として「Google検索ヒット数」を使用する。
「Google検索ヒット数」はWEB上でどれだけその言葉が使用されているかを表す。
イコールではないが相関が高そうに思われる。
前回の記事は今回の実験に向けた準備。
本当は複数の検索エンジンで調べて平均を取るなどしたい、
以前、Azureの「Speech To Text」を使って音声のテキスト化を行った。
今回はその逆。
テキストを入力して音声に変換する。
前回↓
今回はMicrosoft Azure「Text To Speech」APIの使い方を記す。
商品購入ログを使って商品の共起分析。
以前行った実験と同じデータを使ってより高度な前処理を行う。
前回の実験↓
今回は下記の図に示すようにデータを加工していく。
ログデータのクロス集計までは前回と一緒。
その後、
と続く。
成果物として、
が得られる。
商品購入ログから商品の推薦を行う。
「この商品を買った人はこれも買ってます」というやつ。
これは共起分析によって簡単に実現できる。
共起分析とは「共に起こる」の通り、同時に発生したかどうかを特徴として分析する手法。
具体的に今回の購入ログの例でいうと、
「あるユーザーが商品Aと商品Bを両方購入している」とか、
「ある商品をユーザーAとユーザーBが両方購入している」とか、
そういった情報を特徴として分析に使用する。
これによってある商品を買った人が一緒に何を買いがちか分かる、
この結果を任意の商品を買ったユーザーに伝えることで他の商品を推薦できる。
今回はPythonで実験する。
前回行ったAzure音声認識APIの実験の続き。
前回↓
Azureの音声認識サービス「Speech to Text」にはユーザーのデータからモデルの再学習を行い認識精度を高める機能がある。
「Custom Speech」と呼ばれるその機能は「音声ファイル」、ラベル付きテキスト、音素による発音指定テキストなど様々なデータによるカスタマイズが可能。
扱う言語によって機能に制限があり、日本語は「プレーンテキスト」によるカスタマイズ以外はできないと書いてある。
前回「プレーンテキスト」によるカスタマイズを試したときに「音声＋トランスクリプト」もできそうな感じだったので実験する。
結果から言うと音声の学習はうまくいかない。
Update your browser to view this website correctly. Update my browser now
