我建议使用 LSTM RNN 或 CNN 算法根据过去的购买历史来挑选当月最受欢迎的产品。我为美国在线购物网站lands'end创建了一个有效的产品排名模型。

为了实现此解决方案的目标，您需要执行几个步骤。

1. 收集数据集

   我想你已经为这部分收集了数据集。

2. 处理数据集以进行监督学习。

   • 清理数据集 - 请删除包含 NaN 列的行
   • 将产品映射到眼睛 - 您需要将类别和产品映射到元素为 1 和 0 的行矩阵中。
   • 标准化 - 您需要将所有实数重新缩放为 [0, 1]
   • 将数据集拆分为训练数据、有效数据和测试数据。

3. 构建像 LSTM RNN 这样的深度学习模型

   • 选择深度学习框架。我推荐Tensorflow、Keras。
   • 设置模型的尺寸。即层数，每层神经元的数量。
   • 优化器，指标

4. 训练模型和测试

5. 按月获取该类别的预测排名。

Protip：获得更好结果的最重要的事情是哪一列将被设置为排名的输出。您应该按月或按周汇总每个产品或每个类别的总购买量。

根据您的描述，有一个自变量（月份，您可以从订单日期中提取此信息）和响应变量，即购买特定类别产品的概率。您可以使用简单的贝叶斯 (Naive) 算法来拟合模型并对指定月份进行预测。你不能做的比这更多。

但是，如果您有特定客户的可用历史数据，那么您可以构建一个推荐系统，尝试为每个客户制作个人资料，并预测在特定月份最有可能购买的东西。（用户之间的相似性或项目之间的相似性）