Matchbox ajánló pontozása
Fontos
A (klasszikus) Machine Learning Studio támogatása 2024. augusztus 31-én megszűnik. Javasoljuk, hogy addig térjen át az Azure Machine Learning használatára.
2021. december 1-től kezdve nem fog tudni létrehozni új (klasszikus) Machine Learning Studio-erőforrásokat. 2024. augusztus 31-ig továbbra is használhatja a meglévő (klasszikus) Machine Learning Studio-erőforrásokat.
- További információ a gépi tanulási projektek a ML Studióból a klasszikusból a Azure Machine Learning.
- További információ a Azure Machine Learning.
A (klasszikus) ML Studio dokumentációjának kivezetése folyamatban van, és a jövőben nem várható a frissítése.
Pontszám-előrejelzések egy adatkészlethez a Matchbox ajánló használatával
Kategória: Machine Learning / Pontszám
Megjegyzés
A következőkre vonatkozik: Machine Learning Studio (klasszikus)
Hasonló húzással használható modulok érhetők el Azure Machine Learning tervezőben.
A modul áttekintése
Ez a cikk azt ismerteti, hogyan használható a Score Matchbox Recommender modul a Machine Learning Studio (klasszikus) moduljában, hogy előrejelzéseket hozzon létre egy betanított javaslati modell alapján a Microsoft Research Matchbox algoritmusa alapján.
A Matchbox ajánló négy különböző típusú előrejelzést képes létrehozni:
Az utóbbi három típusú előrejelzés létrehozásakor éles vagy kiértékelési módban is működhet.
Az éles mód az összes felhasználót vagy elemet figyelembe veszi, és általában egy webszolgáltatásban használatos.
Pontszámokat hozhat létre az új felhasználók számára, nem csak a betanítás során látott felhasználók számára. További információért tekintse meg ezt a szakaszt.
A kiértékelési mód a felhasználók vagy elemek csökkentett halmazán működik, amelyek kiértékelhetőek, és általában a kísérletezés során használatosak.
Tipp
Ebben az oktatóanyagban a .NET fejlesztői csapattól megtudhatja, hogy mit kell tudni a javaslati rendszer teljes fejlesztéséhez szükséges teljes élményről. Mintakódot és az alkalmazásból Machine Learning hívásának mintáját tartalmazza.
Javaslati motor kiépítése .NET-alkalmazásokhoz a Machine Learning
További információk a Matchbox ajánlóról
A javaslati rendszer létrehozásának célja egy vagy több "elem" ajánlása a rendszer "felhasználóinak". Egy elem lehet például egy film, egy étterem, egy könyv vagy egy dal. A felhasználó lehet személy, személycsoport vagy más elempreferenciával megadott entitás.
Az ajánló rendszereknek két fő megközelítése van. Az első a tartalomalapú megközelítés, amely a felhasználók és elemek funkcióit használja. A felhasználók olyan tulajdonságok alapján is leírhatóak, mint az életkor és a nem, az elemek pedig olyan tulajdonságokkal, mint a szerző és a gyártó. A tartalomalapú javaslati rendszerekre jellemző példák a közösségi webhelyeken találhatók. A második megközelítés az együttműködésen alapuló szűrés, amely csak a felhasználók és az elemek azonosítóit használja, és implicit információkat szerez be ezekről az entitásokról a felhasználók által az elemeknek adott értékelések (ritka) mátrixában. Megismerhet egy felhasználót az eddig értékelt elemekből, valamint az olyan felhasználóktól, akik ugyanazt az elemet értékelték.
A Matchbox ajánló az együttműködésen alapuló szűrést a tartalomalapú megközelítéssel kombinálja. Ezért hibrid ajánlónak számít. Ha egy felhasználó viszonylag új a rendszerben, az előrejelzések úgy javulnak, hogy a felhasználóra vonatkozó funkcióinformációkat használják, így megoldják a jól ismert "hideg indítás" problémáját. Ha azonban egy adott felhasználó elegendő számú minősítést ad meg, akkor teljes mértékben személyre szabott előrejelzéseket is lehet tenni számukra az adott értékelések alapján, nem csak a jellemzőik alapján. Így zökkenőmentesen, együttműködésen alapuló szűrésen alapuló javaslatokra lehet áttűnni a tartalomalapú javaslatokról. A Matchbox akkor is működik az együttműködésen alapuló szűrési módban, ha a felhasználó vagy az elem funkciói nem érhetők el.
A Matchbox ajánlóról és annak mögöttes valószínűségi algoritmusával kapcsolatos további részleteket a vonatkozó kutatási tanulmányban talál:
Példák
A pontszámok javaslati motorból való létrehozására vonatkozó példákért tekintse meg a Azure AI Gallery.
Ajánló: Filmajátlás: Ez a minta az elemek ajánlását mutatja be, ahol az elemek filmek, és az értékelés előrejelzését is bemutatja.
Ajánló: Éttermi értékelések: Ez a minta elemjavaslatokat mutat be mind az elem, mind a felhasználói funkciók használatával.
- Javaslatok Everywhere: Ez a blogbejegyzés magas szintű bevezetést nyújt az ajánlási rendszerekbe, amelyek sok vizuális segédeszközt tartalmaznak.
A Matchbox-ajánló pontozásának konfigurálása
Ez a modul különböző típusú javaslatokat támogat, amelyek mindegyikét különböző követelmények támasztják. Kattintson a rendelkezésre kívánt adatok típusára és a létrehozni kívánt javaslat típusára mutató hivatkozásra.
- Minősítések előrejelzése
- Ajánlott elemek
- Kapcsolódó felhasználók megkerese
- Kapcsolódó elemek megkerese
Minősítések előrejelzése
Az értékelések előrejelzésekor a modell kiszámítja, hogyan reagál egy adott felhasználó egy adott elemre a betanítás adatai alapján. Ezért a pontozás bemeneti adatainak meg kell adniuk a felhasználót és a értékelni kívánt elemet is.
Adjon hozzá egy betanított javaslatmodellt a kísérlethez, és csatlakoztassa a betanított matchbox ajánlóhoz. A modellt a Matchbox ajánló betanításával kell létrehoznia.
Ajánló előrejelzési fajtája: Válassza az Előrejelzés értékelése lehetőséget. Nincs szükség további paraméterekre.
Adja hozzá az adatokat, amelyekhez előrejelzéseket szeretne tenni, majd csatlakoztassa az Adatkészlethez a pontozáshoz.
Az értékelések előrejelzéséhez a bemeneti adatkészletnek felhasználó-elem párokat kell tartalmaznia.
Az adatkészlet tartalmazhat egy harmadik, nem kötelező oszlopot a felhasználó-elem párra az első és a második oszlopban, de az előrejelzés során a harmadik oszlop figyelmen kívül lesz hagyva.
(Nem kötelező). Ha felhasználói funkciókat tartalmaz, csatlakoztassa a Felhasználói funkciókhoz.
A felhasználói funkciók adatkészletének tartalmaznia kell a felhasználói azonosítót az első oszlopban. A többi oszlopnak olyan értékeket kell tartalmaznia, amelyek a felhasználókat jellemzik, például a nemüket, a preferenciákat, a helyet stb.
A Score Matchbox Recommender figyelmen kívül hagyja a minősített elemeket használó felhasználók funkcióit, mert azokat már megtanulta a betanítás során. Ezért szűrje előre az adatkészletet úgy, hogy csak a hideg indítású felhasználókat, illetve olyan felhasználókat foglalja bele, akik egyetlen elemet sem értékeltek.
Figyelmeztetés
Ha a modell felhasználói funkciók használata nélkül lett betanítva, a pontozás során nem lehet felhasználói funkciókat bevezetni.
Ha az elem funkcióinak adatkészlete van, csatlakoztathatja azt az Elem funkcióihoz.
Az elem funkciók adatkészletének tartalmaznia kell egy elemazonosítót az első oszlopban. A többi oszlopnak olyan értékeket kell tartalmaznia, amelyek az elemeket jellemzik.
A Score Matchbox Recommender figyelmen kívül hagyja a minősített elemek funkcióit, mivel azokat már megtanulta a betanítás során. Ezért a pontozási adatkészletet korlátozza hideg kezdésű elemekre , vagy olyan elemekre, amelyekre egyik felhasználó sem adott minősítést.
Figyelmeztetés
Ha a modell elem jellemzőinek használata nélkül lett betanítva, a pontozás során nem lehet elem jellemzőket bevezetni.
Használja a betanítás adatkészlet nevű opcionális ötödik bemeneti portot az előrejelzési eredményekből már minősített elemek eltávolításához.
A szűrő alkalmazáshoz csatlakoztassa az eredeti betanítás adatkészletét a bemeneti porthoz.
Futtassa a kísérletet.
Minősítési előrejelzések eredményei
A kimeneti adatkészlet három oszlopot tartalmaz, amelyek tartalmazzák a felhasználót, az elemet, valamint az egyes bemeneti felhasználók és elemek előrejelezni kívánt minősítését.
Emellett a pontozás során a következő módosításokat alkalmazza a rendszer:
A rendszer automatikusan lecseréli a hiányzó értékeket egy felhasználó vagy elem jellemzőoszlopában a hiányzó betanításkészlet-értékek módjára.
A rendszer minden felhasználói és elemi jellemzőt újraméretez a betanítás során látható maximális abszolút értékek alapján.
A jellemzőértékek fordítása nem kerül alkalmazásra a ritkaságuk fenntartása érdekében.
A sztring értékű jellemzők bináris értékű jelző funkciók halmazába vannak konvertálva.
Ajánlás
Ha elemeket javasol a felhasználóknak, adja meg a felhasználók és elemek listáját bemenetként. Ezen adatok alapján a modell a meglévő elemekről és felhasználókról származó tudását felhasználva létrehoz egy listát az elemekről, amelyek minden felhasználó számára valószínűsíthetően vonzóak. Testreszabhatja a visszaadott javaslatok számát, és beállíthatja a javaslat létrehozásához szükséges korábbi javaslatok számának küszöbértékét.
Adjon hozzá egy betanított javaslatmodellt a kísérlethez, és csatlakoztassa a betanított matchbox ajánlóhoz. A modellt a Matchbox ajánló betanításával kell létrehoznia.
Ha elemeket javasol egy adott felhasználólistához, az Ajánló előrejelzési fajtája beállításnál adja meg az Elemra vonatkozó javaslat lehetőséget.
Ajánlott elem kiválasztása: Az alábbi értékek egyikének kiválasztásával jelezze, hogy a pontozási modult éles környezetben vagy modellértékeléshez használja:
Minősített elemek (modellértékeléshez): Válassza ezt a lehetőséget, ha modellt fejleszt vagy tesztel. Ez a beállítás engedélyezi a kiértékelési módot, és a modul csak a minősített bemeneti adatkészletből tesz javaslatokat.
Az Összes elem lehetőségnél válassza ezt a lehetőséget, ha webszolgáltatásban vagy éles környezetben való használatra hoz be egy kísérletet. Ez a beállítás engedélyezi az éles módot, és a modul a betanítás során látott összes elemből javaslatokat tesz.
Adja hozzá az adatkészletet, amelyhez előrejelzéseket szeretne tenni, majd csatlakoztassa az Adatkészlethez a pontozáshoz.
Ha a Minden elemből lehetőséget választja, a bemeneti adatkészletnek egy és csak egy oszlopból kell állnia, amely tartalmazza a javaslatokhoz használni kívánt felhasználók azonosítóit.
Ha az adatkészlet egynél több oszlopot tartalmaz, a rendszer hibát jelez. A Select Columns in Dataset (Adatkészlet oszlopainak kijelölése) modullal további oszlopokat távolíthat el a bemeneti adatkészletből.
Ha a Minősített elemekből (modellértékeléshez ) lehetőséget választja, a bemeneti adatkészletnek felhasználó-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 is a felhasználói elemek minősítéseiből, de a rendszer figyelmen kívül hagyja ezt az oszlopot.
(Nem kötelező). Ha felhasználói funkciókat tartalmaz, csatlakoztassa a Felhasználói funkciókhoz.
A felhasználói funkciók adatkészletének első oszlopának tartalmaznia kell a felhasználói azonosítót. A többi oszlopnak olyan értékeket kell tartalmaznia, amelyek a felhasználót jellemzik, például a nemüket, a preferenciákat, a helyet stb.
A Score Matchbox Recommender figyelmen kívül hagyja az elemeket minősítő felhasználók funkcióit, mert ezeket a funkciókat már megtanulta a betanítás során. Ezért előre szűrheti az adatkészletet úgy, hogy csak a hideg indítású felhasználókat, vagy olyan felhasználókat foglalja bele, akik egyetlen elemet sem minősítettek.
Figyelmeztetés
Ha a modell felhasználói funkciók használata nélkül lett betanítva, a pontozás során nem alkalmazhat funkciókat.
(Nem kötelező) Ha az elem funkcióinak adatkészlete van, csatlakoztathatja azt az Elem funkcióihoz.
Az elem jellemzők adatkészletének első oszlopának tartalmaznia kell az elem azonosítóját. A többi oszlopnak olyan értékeket kell tartalmaznia, amelyek az elemeket jellemzik.
A Score Matchbox Recommender figyelmen kívül hagyja a minősített elemek funkcióit, mert ezeket a funkciókat már megtanulta a betanítás során. Ezért a pontozási adatkészletet hideg kezdésű elemekre vagy olyan elemekre korlátozhatja , amelyekre egyik felhasználó sem adott minősítést.
Figyelmeztetés
Ha a modell elem jellemzők használata nélkül lett betanítva, ne használjon elem jellemzőket pontozáskor.
A felhasználónak javasolni javasolt elemek maximális száma: Adja meg az egyes felhasználók számára visszaadott elemek számát. Alapértelmezés szerint 5 elem ajánlott.
A javaslatkészlet minimális mérete felhasználónként: Adjon meg egy értéket, amely jelzi, hogy hány korábbi javaslatra van szükség. Alapértelmezés szerint ez a paraméter 2-re van állítva, ami azt jelenti, hogy az elemet legalább két másik felhasználó ajánlotta.
Ez a lehetőség csak akkor használható, ha kiértékelési módban pontoz. A beállítás nem érhető el, ha a Minden elemből lehetőséget választja.
Futtassa a kísérletet.
Elema javaslat eredményei
A Score Matchbox Recommender által visszaadott pontozási adatkészlet felsorolja az egyes felhasználókhoz ajánlott elemeket.
- Az első oszlop a felhasználói azonosítókat tartalmazza.
- A rendszer több további oszlopot is létrehoz, attól függően, hogy a felhasználónak ajánlott elemek maximális száma milyen értéket adott meg. Minden oszlop tartalmaz egy ajánlott elemet (azonosító alapján). A javaslatok felhasználó-elem affinitás szerint vannak megrendelve, és a legmagasabb affinitással rendelkező elem az 1. tétel oszlopban található.
Figyelmeztetés
Ez a pontozási adatkészlet nem értékelhető ki az Evaluate Recommender (Ajánló kiértékelése) modullal .
Kapcsolódó felhasználók megkerese
A kapcsolódó felhasználók keresésének lehetősége akkor hasznos, ha "olyan személyeket javasol, mint Ön", vagy ha hasonló felhasználókból álló készletet hoz létre, amelyekre más típusú előrejelzéseket szeretne alapozni.
Adjon hozzá egy betanított javaslatmodellt a kísérlethez, és csatlakoztassa a betanított matchbox ajánlóhoz. A modellt a Matchbox ajánló betanításával kell létrehoznia.
Ajánló előrejelzési fajtája: Válassza a Kapcsolódó felhasználók lehetőséget.
Kapcsolódó felhasználó kiválasztása: Adja meg, hogyan fogja használni a modellt pontozáshoz, és adja meg a felhasználók készletét, amelyek alapján a pontszámok az alábbiak szerint lesznek alapozva:
A Minden felhasználó beállításnál válassza ezt a lehetőséget, ha webszolgáltatásban vagy éles környezetben való használatra hoz létre kísérletet, vagy ha új felhasználókra vonatkozó előrejelzéseket kell tennie. Ez a beállítás engedélyezi az éles módot, és a modul csak a betanítás során látott felhasználókra alapozja a javaslatot.
A minősített elemeket (modellértékeléshez) használó felhasználóknál: Válassza ezt a lehetőséget, ha modellt fejleszt vagy tesztel. Ez a beállítás engedélyezi a kiértékelési módot, és a modell a javaslatokat a tesztkészletben lévő olyan felhasználókra alapozja, akik értékeltek néhány gyakori elemet.
Csatlakozás egy adatkészletet, amely azokat a felhasználókat tartalmazza, akikhez előrejelzéseket kell létrehozni. Az adatkészlet formátuma attól függ, hogy a pontozási modult éles vagy kiértékelési módban használja.
Éles mód, az Összes elemből használatával
A pontozáshoz szükséges adatkészletnek olyan felhasználókból kell állnia, akikhez kapcsolódó felhasználókat szeretne megtalálni. Az első és egyetlen oszlopnak tartalmaznia kell a felhasználói azonosítókat. Ha más oszlopokat is tartalmaz, a rendszer hibát jelez. A felesleges oszlopok eltávolításához használja az Adatkészlet oszlopainak kijelölése modult.
Kiértékelési mód, a minősített elemekből (modellértékeléshez)
A pontozáshoz szükséges adatkészletnek 2–3 oszlopból kell állnia, amelyek felhasználó-elem párokat tartalmaznak. Az első oszlopnak felhasználói azonosítókat kell tartalmaznia. A második oszlopnak elemazonosítókat kell tartalmaznia. Az adatkészlet tartalmazhatja az értékelések harmadik oszlopát (a felhasználó által a 2. oszlopban lévő elem 1. oszlopában), de a rendszer figyelmen kívül hagyja az értékelések oszlopát.
Egy felhasználóhoz kapcsolódó felhasználók maximális száma: Írjon be egy számot, amely az egyes felhasználókhoz tartozó előrejelzések maximális számát jelzi. Az alapértelmezett érték 5, ami azt jelenti, hogy a rendszer öt kapcsolódó felhasználót ad vissza, de bizonyos esetekben kevesebb mint 5 lehet.
Kiértékelési módban (a minősített elemeket használó felhasználóktól) konfigurálja a következő további paramétereket:
Azon elemek minimális száma, amelyekre a lekérdezést használó felhasználónak és a kapcsolódó felhasználónak a közös minősítést kell alkalmaznia: Ez az érték határozza meg a javaslatok küszöbértékét. A beírt szám a célfelhasználó és a potenciálisan kapcsolódó felhasználó által értékelt elemek minimális számát jelöli. Az alapértelmezett érték 2, ami azt jelenti, hogy legalább két elemet mindkét felhasználónak meg kell minősítetnie.
A kapcsolódó felhasználói készlet minimális mérete egyetlen felhasználóhoz: Ez az érték határozza meg a javaslat létrehozásához szükséges hasonló felhasználók minimális számát. Alapértelmezés szerint az érték 2, ami azt jelenti, hogy ha csak két olyan felhasználója van, akik ugyanazon elemek értékelése miatt kapcsolódnak egymáshoz, megfontolhatja őket kapcsolódónak, és javaslatot hozhat létre.
(Nem kötelező). Ha felhasználói funkciókat tartalmaz, csatlakoztassa a Felhasználói funkciókhoz.
A felhasználói funkciók adatkészletének első oszlopának tartalmaznia kell a felhasználói azonosítót. A többi oszlopnak olyan értékeket kell tartalmaznia, amelyek a felhasználót jellemzik, például nemet, preferenciát, helyet stb.
A Score Matchbox Recommender figyelmen kívül hagyja az elemeket minősítő felhasználók funkcióit, mivel ezeket a funkciókat már megtanulta a betanítás során. Ezért szűrje előre az adatkészletet úgy, hogy csak a hideg indítású felhasználókat, illetve olyan felhasználókat foglalja bele, akik egyetlen elemet sem értékeltek.
Figyelmeztetés
Ha a modell felhasználói funkciók használata nélkül lett betanítva, nem alkalmazhat felhasználói funkciókat a pontozás során.
(Nem kötelező) Ha elem funkciók adatkészlete van, csatlakoztassa azt az Elem funkcióihoz.
Az elem jellemzők adatkészletének első oszlopának tartalmaznia kell az elem azonosítóját. A többi oszlopnak olyan értékeket kell tartalmaznia, amelyek az elemeket jellemzik.
A Score Matchbox Recommender figyelmen kívül hagyja a minősített elemek funkcióit, mivel ezeket a funkciókat már megtanulta a betanítás során. Ezért a pontozási adatkészletet hideg kezdésű elemekre vagy olyan elemekre korlátozhatja , amelyeket egyik felhasználó sem értékelt.
Figyelmeztetés
Ha a modell elem jellemzők használata nélkül lett betanítva, ne használjon elem jellemzőket pontozáskor.
Futtassa a kísérletet.
Kapcsolódó felhasználókra vonatkozó eredmények
A Score Matchbox Recommender által visszaadott pontozási adatkészlet felsorolja azokat a felhasználókat, akik a bemeneti adatkészlet egyes felhasználóihoz kapcsolódnak.
Az eredményhalmaz a bemeneti adatkészletben megadott összes felhasználóhoz kapcsolódó felhasználókat tartalmaz.
Az első oszlop tartalmazza a célfelhasználó azonosítóját (a bemenetként megadott felhasználó).
A kapcsolódó felhasználók azonosítóit tartalmazó további oszlopok jönnek létre. A további oszlopok száma a felhasználóhoz kapcsolódó felhasználók maximális száma beállításban megadott értéktől függ.
A kapcsolódó felhasználók a célfelhasználóval való kapcsolat erősség alapján vannak megrendelve, a legnagyobb mértékben kapcsolódó felhasználóval együtt a Kapcsolódó felhasználó 1 oszlopban.
Kapcsolódó elemek megkerese
A kapcsolódó elemek előrejelzésével javaslatokat hozhat létre a felhasználók számára a már minősített elemek alapján.
Adjon hozzá egy betanított javaslatmodellt a kísérlethez, és csatlakoztassa a betanított matchbox ajánlóhoz. A modellt a Matchbox ajánló betanításával kell létrehoznia.
Ajánló előrejelzési fajtája: Válassza a Kapcsolódó elemek lehetőséget.
Csatlakozás egy adatkészletet, amely azokat a felhasználókat tartalmazza, akikhez előrejelzéseket kell létrehozni. Az adatkészlet formátuma attól függ, hogy a pontozási modult éles vagy kiértékelési módban használja.
Éles mód, az Összes elemből használatával
A pontozáshoz szükséges adatkészletnek olyan elemekből kell állnia, amelyekhez kapcsolódó felhasználókat szeretne megtalálni.
Az első és egyetlen oszlopnak tartalmaznia kell az elemazonosítókat. Ha más oszlopokat is tartalmaz, a rendszer hibát jelez. A felesleges oszlopok eltávolításához használja az Adatkészlet oszlopainak kijelölése modult.
Kiértékelési mód, a minősített elemekből (modellértékeléshez)
A pontozáshoz szükséges adatkészletnek 2–3 oszlopból kell állnia, amelyek felhasználó-elem párokat tartalmaznak. Az első oszlopnak felhasználói azonosítókat kell tartalmaznia. A második oszlopnak elemazonosítókat kell tartalmaznia.
Az adatkészlet tartalmazhatja az értékelések harmadik oszlopát is (a felhasználó által a 2. oszlopban lévő elem 1. oszlopában), de a rendszer figyelmen kívül hagyja az értékelések oszlopát.
Egy elemhez kapcsolódó> elemek maximális száma: Írjon be egy számot, amely az egyes elemekre vonatkozó előrejelzések maximális számát jelzi.
Az alapértelmezett érték 5, ami azt jelenti, hogy a rendszer öt kapcsolódó elemet ad vissza, de kevesebb mint 5 lehet.
Ha értékelési módot használ (a minősített elemeket használó felhasználóktól), konfigurálja a következő további paramétereket:
Azon elemek minimális száma, amelyek alapján a lekérdezési elemet és a kapcsolódó elemet közös minősítéssel kellett volna minősítetni: Ez az érték határozza meg a javaslatok küszöbértékét. A beírt szám a célfelhasználó és néhány kapcsolódó felhasználó által minősített elemek minimális számát jelöli. Az alapértelmezett érték 2, ami azt jelenti, hogy legalább két elemet kell minősítenünk a célfelhasználónak és a kapcsolódó felhasználónak.
A kapcsolódó elemkészlet minimális mérete egyetlen elemhez: Ez az érték határozza meg a javaslat létrehozásához szükséges hasonló elemek minimális számát. Alapértelmezés szerint az érték 2, ami azt jelenti, hogy ha kettő olyan elemet tartalmaz, amelyek ugyanannak a felhasználónak a minősítése miatt kapcsolódnak egymáshoz, megfontolhatja, hogy kapcsolódnak-e egymáshoz, és javaslatot hozhat létre.
(Nem kötelező). Ha felhasználói funkciókat tartalmaz, csatlakoztassa a Felhasználói funkciókhoz.
A felhasználói funkciók adatkészletének első oszlopának tartalmaznia kell a felhasználói azonosítót. A többi oszlopnak olyan értékeket kell tartalmaznia, amelyek a felhasználót jellemzik, például a nemüket, a preferenciákat, a helyet stb.
A Score Matchbox Recommender figyelmen kívül hagyja az elemeket minősítő felhasználók funkcióit, mert ezeket a funkciókat már megtanulta a betanítás során. Ezért előre szűrheti az adatkészletet úgy, hogy csak a hideg indítású felhasználókat, vagy olyan felhasználókat foglalja bele, akik egyetlen elemet sem minősítettek.
Figyelmeztetés
Ha a modell felhasználói funkciók használata nélkül lett betanítva, nem alkalmazhat felhasználói funkciókat a pontozás során.
(Nem kötelező) Ha az elem funkcióinak adatkészlete van, csatlakoztathatja azt az Elem funkcióihoz.
Az elem jellemzők adatkészletének első oszlopának tartalmaznia kell az elem azonosítóját. A többi oszlopnak olyan értékeket kell tartalmaznia, amelyek az elemet jellemzik.
A Score Matchbox Recommender figyelmen kívül hagyja a minősített elemek funkcióit, mert ezeket a funkciókat már megtanulta a betanítás során. Ezért a pontozási adatkészletet hideg kezdésű elemekre vagy olyan elemekre korlátozhatja , amelyeket egyik felhasználó sem értékelt.
Figyelmeztetés
Ha a modell elem jellemzők használata nélkül lett betanítva, ne használjon elem jellemzőket pontozáskor.
(Nem kötelező) Prediktív kísérletben a Betanítás adatkészlet nevű ötödik bemeneti port használatával eltávolíthatja a modellbeképező adatokban szereplő meglévő felhasználókat az előrejelzési eredményekből.
A szűrő alkalmazáshoz csatlakoztassa az eredeti betanítás adatkészletét a bemeneti porthoz.
Futtassa a kísérletet.
Kapcsolódó elemekre vonatkozó eredmények
A Score Matchbox Recommender által visszaadott pontozási adatkészlet a bemeneti adatkészlet egyes elemeinek kapcsolódó elemeit sorolja fel.
Az első oszlop tartalmazza a célelem azonosítóját (a bemenetként megadott elemet).
A kapcsolódó elemek azonosítóit tartalmazó további oszlopok jönnek létre. A további oszlopok száma az elemhez kapcsolódó elemek maximális száma beállításban megadott értéktől függ.
A kapcsolódó elemek a célelemhez viszonyított erősség alapján vannak megrendelve, a legnagyobb mértékben kapcsolódó elemet pedig az 1. kapcsolódó elem oszlopban.
Technikai megjegyzések
Ez a szakasz az ajánló előrejelzések létrehozására való használatával kapcsolatos gyakori kérdésekre ad választ.
Hideg indítású felhasználók és javaslatok
Javaslatok létrehozásához a Score Matchbox Recommender modulhoz általában ugyanazokra a bemenetekre van szükség, mint a modell betanítására, beleértve a felhasználói azonosítót is. Ennek az az oka, hogy az algoritmusnak tudnia kell, hogy tanult-e valamit erről a felhasználóról a betanítás során.
Új felhasználók esetén azonban előfordulhat, hogy nem rendelkezik felhasználói azonosítóval, csak néhány felhasználói funkcióval, például korral, nemmel stb.
Továbbra is létrehozhat javaslatokat a rendszer új felhasználói számára, ha hideg indítású felhasználóként kezeli őket. Az ilyen felhasználók esetén a javaslati algoritmus nem használ korábbi vagy korábbi értékeléseket, csak a felhasználói funkciókat.
Az előrejelzéshez a hideg indítású felhasználó olyan felhasználóként van definiálva, aki olyan azonosítóval rendelkezik, amely nem lett betanításhoz használva. Annak érdekében, hogy az azonosítók ne egyeznek a betanítás során használt azonosítókkal, új azonosítókat hozhat létre. Létrehozhat például véletlenszerű értékeket egy adott tartományon belül, vagy előre lefoglalhat egy sor kiosztást a hideg indítású felhasználók számára.
Ha azonban nem rendelkezik együttműködésen alapuló szűrési adatokkal, például felhasználói funkciók vektorával, akkor jobb besorolást vagy regressziót tanulni.
A Matchbox ajánló éles használata
Ha kísérletezett a Matchbox ajánlóval, majd áthelyezte a modellt az éles környezetbe, vegye figyelembe az alábbi főbb különbségeket, amikor kiértékelési módban és éles módban használja az ajánlót:
Az értékeléshez definíció szerint olyan előrejelzésekre van szükség, amelyek egy tesztkészletben ellenőrizhetők az alapszint alapján. Ezért az ajánló értékelésekor csak a tesztkészletben minősített elemeket kell előrejeleznie. Ez feltétlenül korlátozza az előrejelezni lehetséges értékeket.
A modell üzemeltetése során azonban általában úgy kell módosítani az előrejelzési módot, hogy az összes lehetséges elem alapján javaslatokat tesz, hogy a legjobb előrejelzéseket kapják. Számos ilyen előrejelzéshez nincs megfelelő alap igazság, így a javaslat pontossága nem ellenőrizhető ugyanúgy, mint a kísérletezés során.
Ha nem ad meg felhasználói azonosítót éles környezetben, és csak egy vektort ad meg, válaszként megjelenik az összes lehetséges felhasználóra vonatkozó javaslatok listája. Mindenképpen adjon meg egy felhasználói azonosítót.
A visszaadott javaslatok számának korlátozására a felhasználónként visszaadott elemek maximális számát is megadhatja.
Nem lehet előrejelzéseket generálni csak olyan elemekhez, amelyek korábban még nem voltak minősítve. Ez az elvárt működés.
Ennek az az oka, hogy ha csak a nem minősített elemeket szeretné javasolni, az ajánlónak a teljes betanítás adatkészletet a modellel együtt kell tárolnia, ami megnövelné a tárterület használatát.
Ha csak olyan elemeket szeretne javasolni, amelyek nem láthatók a felhasználónál, kérhet további javasolt elemeket, majd manuálisan kiszűrheti a minősített elemeket.
Az ajánló folyamatos frissítése
Az ajánlási modell online frissítése (vagy folyamatos betanítás) jelenleg nem támogatott a Machine Learning. Ha rögzíteni szeretné a javaslatokra adott felhasználói válaszokat, és ezeket a modell javítására szeretné használni, javasoljuk, hogy rendszeresen képezheti újra a teljes modellt. Növekményes betanítás nem lehetséges, de egy csúszóablakot is alkalmazhat a betanítás adataira, hogy a legújabb adatok használata közben minimalizálja az adatmennyiséget.
Várt bemenetek
| Név | Típus | Description |
|---|---|---|
| Betanított Matchbox-ajánló | ILearner | Betanított Matchbox-ajánló |
| A pontozáshoz szükséges adatkészlet | Adattábla | A pontozáshoz szükséges adatkészlet |
| Felhasználói funkciók | Adattábla | A felhasználókat leíró szolgáltatásokat tartalmazó adatkészlet Ezek az adatok nem kötelezőek |
| Elem funkciói | Adattábla | Elemeket leíró szolgáltatásokat tartalmazó adatkészlet Ezek az adatok nem kötelezőek |
Modulparaméterek
| Name | Tartomány | Típus | Alapértelmezett | Description |
|---|---|---|---|---|
| Ajánló előrejelzési fajtája | Lista | Előrejelzési fajtája | Elemra vonatkozó javaslat | Adja meg az előrejelzés típusát, amit a ajánlónak kimenetként kell megadnia |
| Ajánlott elem kiválasztása | Lista | Elem kiválasztása | Minősített elemekből (modellértékeléshez) | Válassza ki azokat az elemeket, amelyekből javaslatokat fog tenni |
| Kapcsolódó felhasználó kiválasztása | Lista | Felhasználó kiválasztása | Az elemeket minősített felhasználóktól (modellértékeléshez) | Válassza ki a kapcsolódó elemek keresésekor használni kívánt felhasználókészletet |
| Kapcsolódó elemek kiválasztása | Lista | [Elem kiválasztása | Minősített elemekből (modellértékeléshez) | Válassza ki a kapcsolódó elemek keresésekor használni kívánt elemek készletét |
Kimenetek
| Név | Típus | Description |
|---|---|---|
| Pontozásos adatkészlet | Adattábla | Pontozásos adatkészlet |
Kivételek
| Kivétel | Description |
|---|---|
| 0022-es hiba | Kivétel akkor fordul elő, ha a bemeneti adatkészlet kiválasztott oszlopainak száma nem egyenlő a várt számmal. |
| 0036-os hiba | Kivétel akkor fordul elő, ha egy adott felhasználóhoz vagy elemhez több jellemzővektor is meg van adva. |
| 0013-as hiba | Kivétel történik, ha a modul tanulója számára átadott típus érvénytelen. |
| 0035-ös hiba | Kivétel akkor jelentkezik, ha nem biztosítanak szolgáltatásokat egy adott felhasználóhoz vagy elemhez. |
| 0053-as hiba | Kivétel akkor fordul elő, ha nincsenek felhasználói funkciók vagy elemek a Matchbox-javaslatokhoz. |
| 0003-as hiba | Kivétel történik, ha egy vagy több bemenet null vagy üres. |
A Studio (klasszikus) moduljaival kapcsolatos hibák listájáért tekintse meg a Machine Learning hibakódokat.
Az API-kivételek listájáért tekintse meg a Machine Learning REST API hibakódokat.