SVD-ajánló pontozása

Ez a cikk azt ismerteti, hogyan használhatja a Score SVD Recommender összetevőt az Azure Machine Learning Designerben. Ezzel az összetevővel előrejelzéseket hozhat létre egy betanított javaslatmodell használatával, amely az egyértékű felbontás (SVD) algoritmuson alapul.

Az SVD-ajánló kétféle előrejelzést hozhat létre:

• Adott felhasználó és elem minősítésének előrejelzése
• Elemek ajánlása felhasználónak

A második típusú előrejelzések létrehozásakor az alábbi módok egyikét használhatja:

• Az éles mód az összes felhasználót vagy elemet figyelembe veszi. Általában egy webszolgáltatásban használják.

  Létrehozhat pontszámokat az új felhasználók számára, nem csak a betanítás során látott felhasználók számára. További információt a műszaki megjegyzésekben talál.

• A kiértékelési mód a kiértékelhető felhasználók vagy elemek csökkentett készletén működik. Általában folyamatműveletek során használják.

Az SVD-ajánló algoritmussal kapcsolatos további információkért tekintse meg a Matrix factorization techniques for recommender systems (Mátrix factorization techniques for recommender systems) című tanulmányt.

Score SVD Recommender konfigurálása

Ez az összetevő kétféle előrejelzést támogat, amelyek mindegyike különböző követelményekkel van elõrehozva.

Értékelések előrejelzése

Az értékelések előrejelzésekor a modell kiszámítja, hogy a felhasználó hogyan reagál egy adott elemre a betanítási adatok alapján. A pontozás bemeneti adatainak egy felhasználónak és az elemnek is meg kell adniuk a díjszabást.

1. Adjon hozzá egy betanított javaslatmodellt a folyamathoz, és csatlakoztassa a Betanított SVD-ajánlóhoz. A modellt az SVD-ajánló betanítása összetevővel kell létrehoznia.

2. Az Ajánló előrejelzés típusa beállításnál válassza az Értékelés előrejelzése lehetőséget. Nincs szükség más paraméterekre.

3. Adja hozzá azokat az adatokat, amelyekhez előrejelzéseket szeretne készíteni, és csatlakoztassa az adatkészlethez a pontszám eléréséhez.

   Ahhoz, hogy a modell előrejelezhesse az értékeléseket, a bemeneti adatkészletnek felhasználói-elem párokat kell tartalmaznia.

   Az adatkészlet az első és a második oszlopban lévő felhasználói-elem párok nem kötelező harmadik minősítési oszlopát is tartalmazhatja. A harmadik oszlop azonban figyelmen kívül lesz hagyva az előrejelzés során.

4. Küldje el a folyamatot.

Minősítési előrejelzések eredményei

A kimeneti adatkészlet három oszlopot tartalmaz: felhasználókat, elemeket és az egyes bemeneti felhasználók és elemek előrejelzett minősítését.

Javaslatok felhasználók számára

Ha elemeket szeretne javasolni a felhasználóknak, adja meg a felhasználók és elemek listáját bemenetként. Ezekből az adatokból a modell a meglévő elemekre és felhasználókra vonatkozó ismereteit felhasználva hozza létre az egyes felhasználók számára valószínűsíthetően vonzó elemek listáját. Testre szabhatja a visszaadott javaslatok számát. Beállíthat egy küszöbértéket a javaslatok létrehozásához szükséges korábbi javaslatok számához.

1. Adjon hozzá egy betanított javaslatmodellt a folyamathoz, és csatlakoztassa a Betanított SVD-ajánlóhoz. A modellt az SVD-ajánló betanítása összetevővel kell létrehoznia.

2. Ha elemeket szeretne javasolni a felhasználók listájához, állítsa az Ajánló előrejelzési típus értékét Elemjavaslat értékre.

3. Az Ajánlott elem kiválasztása beállításnál adja meg, hogy éles környezetben vagy modellértékeléshez használja-e a pontozási összetevőt. Válasszon az alábbi értékek közül:

   • Minden elemből: Akkor válassza ezt a lehetőséget, ha webszolgáltatásban vagy éles környezetben való használatra állít be egy folyamatot. Ez a beállítás engedélyezi az éles üzemmódot. Az összetevő javaslatokat tesz a betanítás során látott összes elemből.

   • Értékelt elemekből (modellértékeléshez): Válassza ezt a lehetőséget, ha modellt fejleszt vagy tesztel. Ez a beállítás engedélyezi a kiértékelési módot. Az összetevő csak a bemeneti adathalmaz azon elemeiből tesz javaslatokat, amelyek besorolása megtörtént.

   • Minősítés nélküli elemekből (új elemeket javasolhat a felhasználóknak): Válassza ezt a lehetőséget, ha azt szeretné, hogy az összetevő csak a betanítási adathalmaz azon elemeiből tegyen javaslatokat, amelyek nem lettek értékelve.

4. Adja hozzá azt az adatkészletet, amelyhez előrejelzéseket szeretne készíteni, és csatlakoztassa az Adatkészlethez a pontszám eléréséhez.

   • A Minden elemből elemnél a bemeneti adatkészletnek egy oszlopból kell állnia. Tartalmazza azon felhasználók azonosítóit, amelyekhez javaslatokat szeretne tenni.

     Az adathalmaz további két oszlopot tartalmazhat az elemazonosítókból és az értékelésekből, de a rendszer figyelmen kívül hagyja ezt a két oszlopot.

   • A Névleges elemekből (modellértékeléshez) esetében a bemeneti adatkészletnek felhasználói-elem párokból kell állnia. Az első oszlopnak tartalmaznia kell a felhasználói azonosítót. A második oszlopnak tartalmaznia kell a megfelelő elemazonosítókat.

     Az adatkészlet tartalmazhat egy harmadik oszlopot a felhasználói elemek minősítéseiből, de ezt az oszlopot a rendszer figyelmen kívül hagyja.

   • A Nem minősített elemekből (hogy új elemeket javasoljon a felhasználóknak) esetében a bemeneti adatkészletnek felhasználói-elem párokból kell állnia. Az első oszlopnak tartalmaznia kell a felhasználói azonosítót. A második oszlopnak tartalmaznia kell a megfelelő elemazonosítókat.

   Az adatkészlet tartalmazhat egy harmadik oszlopot a felhasználói elemek minősítéseiből, de ezt az oszlopot a rendszer figyelmen kívül hagyja.

5. A felhasználóknak javasolandó elemek maximális száma: Adja meg az egyes felhasználók számára visszaadandó elemek számát. Alapértelmezés szerint az összetevő öt elemet javasol.

6. A javaslatkészlet minimális mérete felhasználónként: Adjon meg egy értéket, amely jelzi, hogy hány korábbi javaslatra van szükség. Alapértelmezés szerint ez a paraméter 2 értékre van állítva, ami azt jelenti, hogy legalább két másik felhasználó ajánlotta az elemet.

   Ezt a lehetőséget csak akkor használja, ha kiértékelési módban pontozást használ. Ez a beállítás nem érhető el, ha az Összes elemből vagy a Nem minősített elemekből lehetőséget választja (új elemeket javasol a felhasználóknak).

7. A Nem minősített elemekből (új elemek felhasználóknak való ajánlásához) a harmadik bemeneti portot használja Betanítási adatok néven, hogy eltávolítsa az előrejelzési eredményekből már minősített elemeket.

   A szűrő alkalmazásához csatlakoztassa az eredeti betanítási adatkészletet a bemeneti porthoz.

8. Küldje el a folyamatot.

Az elemjavaslat eredményei

A Score SVD Recommender által visszaadott pontozott adatkészlet felsorolja az egyes felhasználók számára ajánlott elemeket:

• Az első oszlop tartalmazza a felhasználói azonosítókat.
• A rendszer számos további oszlopot hoz létre attól függően, hogy a felhasználónak ajánlott elemek maximális száma értékre van-e beállítva. Minden oszlop tartalmaz egy ajánlott elemet (azonosító szerint). A javaslatok a felhasználó-elem affinitás alapján vannak rendezve. A legnagyobb affinitással rendelkező elem az 1. oszlopba kerül.

Technikai megjegyzések

Ha rendelkezik az SVD-ajánlóval rendelkező folyamattal, és éles környezetbe helyezi át a modellt, vegye figyelembe, hogy az ajánló kiértékelési módban való használata és éles módban való használata között kulcsfontosságú különbségek vannak.

A kiértékeléshez definíció szerint olyan előrejelzésekre van szükség, amelyek ellenőrizhetők a tesztkészlet alapigazságával szemben. Az ajánló kiértékelésekor csak a tesztkészletben minősített elemeket kell előre jeleznie. Ez korlátozza az előrejelzett lehetséges értékeket.

A modell üzembe helyezésével általában úgy módosítja az előrejelzési módot, hogy az összes lehetséges elem alapján javaslatokat tegyen, hogy a legjobb előrejelzéseket kapja. Sok ilyen előrejelzés esetén nincs megfelelő alapigazság. Így a javaslat pontossága nem ellenőrizhető ugyanúgy, mint a folyamatműveletek során.

Következő lépések

Tekintse meg az Azure Machine Learning számára elérhető összetevőket .