基于元学习方法的多城市知识融合商业选址推荐方法（MetaStore）
针对数据稀疏情况下的选址推荐问题，MetaStore基于元学习方法，将不同城市的知识融合并迁移到数据稀疏的新城市以指导该城市预测模型的快速学习。该模型通过调整优化算法，寻找针对不同城市的预测模型初始值，使得该模型可以在新城市的少量训练数据上进行快速学习，以预测新城市中用户的消费情况。
MetaStore算法基于Python3.6+环境下的numpy、torch、tensorflow1.8-1.13等依赖库开发。算法输入为多城市店铺销售数据、用户数据、POI数据，输出为新店铺的最优开店位置。该算法支持在盒马数据集上进行多城市知识融合商业选址推荐。此外在代码的实现过程中，参考了Chelsea等、Huaxiu等第三方开源资源。
算法名称
| 基于元学习方法的多城市知识融合商业选址推荐方法
（A Task-Adaptative Meta-Learning Model for Optimal Store Placement with
Multi-City Knowledge Transfer, MetaStore） |
算法接口
| python MetaStore.py
|
输入
| 多城市店铺销售数据，用户数据，POI数据
|
输出
| 新店铺的最优开店位置
|
支持数据集
| 盒马数据集
|
依赖库
| Python 3.6+、numpy、torch、tensorflow1.8-1.13
|
参考资源
| Chelsea等、Huaxiu等
|
