该75^6选项不仅不利于速度，而且是一种非常难以训练的表示，因为 NN 不会“理解”任何输出类别是相关的。您将需要大量数据来训练这样的网络，因为理想情况下，您至少需要一些您希望网络预测的类别中的示例。除非您实际上有数十亿个示例可供训练，否则某些组合可能永远不会出现在您的训练集中，因此永远无法有把握地预测。

因此，我可能会使用 75 个输出，每个对象一个代表它被选中的概率。这很容易创建训练数据，如果您有带有 6 个偏好对象的训练示例 - 选择的对象只有 1，所有其他对象的 0 作为 75 宽标签。

对于预测，选择概率最高的 6 个对象。如果这些选择是推荐系统的一部分（即可能呈现给与预测相同的人），那么您可以使用输出作为权重随机选择项目。您甚至可能会发现这种加权蒙特卡洛选择对于预测大量用户行为也很有效（例如，对于用于股票购买的预测）。此外，可以采用这种随机方法来预测重复项（但不准确，除非可能对许多预测进行平均）。

输出层上的 sigmoid 传递函数有利于表示非排他概率。logloss 目标函数可用于生成误差值并训练网络。

如果您想准确预测所选择的 6 个项目中的重复选项，那么您将需要大量发生重复的示例，并且有一些方法可以在输出层中表示它。例如，您可以将输出神经元的数量增加一倍，每个对象分配两个。第一个概率是选择该项目一次的概率，第二个概率是选择它两次的概率。

该问题已被更新，并且项目之间似乎存在很强的关系，使得选择一组项目可能非常类似于食谱。这可能会降低此答案中上述想法的有效性。

但是，使用 75 个输出可能仍然比其他方法效果更好，并且可能是最简单的设置，所以我建议仍然尝试一下，即使只是为其他想法建立基准。当决策主要由可用的特征数据驱动时，这将最有效，并且在实践中有很多有效的组合项目选择时，因此存在强烈的玩家偏好元素。如果玩家决策中有大量的游戏掌握和逻辑元素来组合物品，那么它的效果就不太好。

我认为您不能拆分组合并将其用于预测。例如：我喜欢炸鱼薯条作为我的第一选择，但炸鱼薯条都可能不在我的前 10 选择中。

一个更好的主意是使用所谓的“支持”。进行一些预处理以找出组合中的哪些组合在您的数据集中至少出现 100 次。仅将这些组合用于训练和预测。您想识别人们选择中的可概括模式，而不是可能偶然发生的事件。$(75)^6$