Tutorial: Membuat pemberi rekomendasi film menggunakan faktorisasi matriks dengan ML.NET

Tutorial ini menunjukkan kepada Anda cara membuat pemberi rekomendasi film dengan ML.NET di aplikasi konsol .NET. Langkah-langkahnya menggunakan C# dan Visual Studio 2019.

Dalam tutorial ini, Anda akan belajar cara:

Pilih algoritma pembelajaran mesin
Menyiapkan dan memuat data Anda
Membangun dan melatih model
Mengevaluasi model
Menyebarkan dan menggunakan model

Anda dapat menemukan kode sumber untuk tutorial ini di repositori dotnet/samples .

Alur kerja pembelajaran mesin

Anda akan menggunakan langkah-langkah berikut untuk menyelesaikan tugas Anda, serta tugas ML.NET lainnya:

Memuat data Anda
Membangun dan melatih model Anda
Mengevaluasi model Anda
Gunakan model Anda

Prasyarat

Visual Studio 2022 atau yang lebih baru.

Pilih tugas pembelajaran mesin yang sesuai

Ada beberapa cara untuk mendekati masalah rekomendasi, seperti merekomendasikan daftar film atau merekomendasikan daftar produk terkait, tetapi dalam hal ini Anda akan memprediksi peringkat apa (1-5) yang akan diberikan pengguna ke film tertentu dan merekomendasikan film tersebut jika lebih tinggi dari ambang batas yang ditentukan (semakin tinggi peringkat, semakin tinggi kemungkinan pengguna menyukai film tertentu).

Membuat aplikasi konsol

Membuat proyek

Buat Aplikasi Konsol C# yang disebut "MovieRecommender". Klik tombol Berikutnya.
Pilih .NET 8 sebagai kerangka kerja yang akan digunakan. Klik tombol Buat.
Buat direktori bernama Data di proyek Anda untuk menyimpan himpunan data:

Di Penjelajah Solusi, klik kanan proyek dan pilih Tambahkan>Folder Baru. Ketik "Data" dan pilih Enter.
Instal paket NuGet Microsoft.ML dan Microsoft.ML.Recommender :

Nota

Sampel ini menggunakan versi stabil terbaru dari paket NuGet yang disebutkan kecuali dinyatakan lain.

Di Penjelajah Solusi, klik kanan proyek, lalu pilih Kelola Paket NuGet. Pilih "nuget.org" sebagai sumber Paket, pilih tab Telusuri , cari Microsoft.ML, pilih paket dalam daftar, dan pilih Instal. Pilih tombol OK pada dialog Pratinjau Perubahan lalu pilih tombol Saya Terima pada dialog Penerimaan Lisensi jika Anda setuju dengan ketentuan lisensi untuk paket yang tercantum. Ulangi langkah-langkah ini untuk Microsoft.ML.Recommender.

Tambahkan arahan berikut using di bagian atas file Program.cs Anda:

using Microsoft.ML;
using Microsoft.ML.Trainers;
using MovieRecommendation;

Unduh data Anda

Unduh dua himpunan data dan simpan ke folder Data yang sebelumnya Anda buat:
- Klik kanan padarecommendation-ratings-train.csv dan pilih "Simpan Tautan (atau Target) Sebagai..."
- Klik kanan padarecommendation-ratings-test.csv dan pilih "Simpan Tautan (atau Target) Sebagai..."
  
  Pastikan Anda menyimpan * file.csv ke folder Data , atau setelah Anda menyimpannya di tempat lain, pindahkan file *.csv ke folder Data .
Di Penjelajah Solusi, klik kanan setiap file *.csv dan pilih Properti. Di bawah Tingkat Lanjut, ubah nilai Salin ke Direktori Output menjadi Salin jika lebih baru.

Memuat data Anda

Langkah pertama dalam proses ML.NET adalah menyiapkan dan memuat data pelatihan dan pengujian model Anda.

Data peringkat rekomendasi dibagi menjadi Train dan Test himpunan data. Data Train digunakan agar sesuai dengan model Anda. Data Test digunakan untuk membuat prediksi dengan model terlatih Anda dan mengevaluasi performa model. Biasanya memiliki pemisahan 80/20 dengan Train data dan Test .

Di bawah ini adalah pratinjau data dari file *.csv Anda:

Cuplikan layar pratinjau himpunan data CVS.

Dalam file *.csv, ada empat kolom:

userId
movieId
rating
timestamp

Dalam pembelajaran mesin, kolom yang digunakan untuk membuat prediksi disebut Fitur, dan kolom dengan prediksi yang dikembalikan disebut Label.

Anda ingin memprediksi peringkat film, sehingga kolom peringkat adalah Label. Tiga kolom lainnya, userId, movieId, dan timestamp semuanya Features digunakan untuk memprediksi Label.

Features	Etiket
`userId`	`rating`
`movieId`
`timestamp`

Terserah Anda untuk memutuskan mana Features yang digunakan untuk memprediksi Label. Anda juga dapat menggunakan metode seperti kepentingan fitur permutasi untuk membantu memilih yang terbaik Features.

Dalam hal ini, Anda harus menghilangkan timestamp kolom sebagai a Feature karena tanda waktu tidak benar-benar memengaruhi bagaimana pengguna menilai film tertentu dan dengan demikian tidak akan berkontribusi untuk membuat prediksi yang lebih akurat:

Features	Etiket
`userId`	`rating`
`movieId`

Selanjutnya Anda harus menentukan struktur data Anda untuk kelas input.

Tambahkan kelas baru ke proyek Anda:

Di Penjelajah Solusi, klik kanan proyek, lalu pilih Tambahkan > Item Baru.
Dalam kotak dialog Tambahkan Item Baru, pilih Kelas dan ubah bidang Nama menjadi MovieRatingData.cs. Kemudian, pilih Tambahkan.

File MovieRatingData.cs terbuka di editor kode. Tambahkan direktif berikut using ke bagian atas MovieRatingData.cs:

using Microsoft.ML.Data;

Buat kelas yang disebut MovieRating dengan menghapus definisi kelas yang ada dan menambahkan kode berikut di MovieRatingData.cs:

public class MovieRating
{
    [LoadColumn(0)]
    public float userId;
    [LoadColumn(1)]
    public float movieId;
    [LoadColumn(2)]
    public float Label;
}

MovieRating menguraikan kelas data input. Atribut LoadColumn menentukan kolom mana (menurut indeks kolom) dalam himpunan data yang harus dimuat. Kolom userId dan movieId adalah Features Anda (input yang akan Anda berikan kepada model untuk memprediksi Label), dan kolom peringkat adalah hasil Label yang akan Anda prediksi (output model).

Buat kelas lain, MovieRatingPrediction, untuk mewakili hasil yang diprediksi dengan menambahkan kode berikut setelah MovieRating kelas di MovieRatingData.cs:

public class MovieRatingPrediction
{
    public float Label;
    public float Score;
}

Di Program.cs, ganti Console.WriteLine("Hello World!") dengan kode berikut:

MLContext mlContext = new MLContext();

Kelas MLContext adalah titik awal untuk semua operasi ML.NET, dan menginisialisasi mlContext membuat lingkungan ML.NET baru yang dapat dibagikan di seluruh objek alur kerja pembuatan model. Ini mirip, secara konseptual, hingga DBContext di Entity Framework.

Di bagian bawah file, buat metode yang disebut LoadData():

(IDataView training, IDataView test) LoadData(MLContext mlContext)
{

}

Nota

Metode ini akan memberi Anda kesalahan hingga Anda menambahkan pernyataan pengembalian dalam langkah-langkah berikut.

Inisialisasi variabel jalur data Anda, muat data dari file *.csv, dan kembalikan Train data dan Test sebagai IDataView objek dengan menambahkan yang berikut ini sebagai baris kode berikutnya di LoadData():

var trainingDataPath = Path.Combine(Environment.CurrentDirectory, "Data", "recommendation-ratings-train.csv");
var testDataPath = Path.Combine(Environment.CurrentDirectory, "Data", "recommendation-ratings-test.csv");

IDataView trainingDataView = mlContext.Data.LoadFromTextFile<MovieRating>(trainingDataPath, hasHeader: true, separatorChar: ',');
IDataView testDataView = mlContext.Data.LoadFromTextFile<MovieRating>(testDataPath, hasHeader: true, separatorChar: ',');

return (trainingDataView, testDataView);

Data dalam ML.NET direpresentasikan sebagai antarmuka IDataView. IDataView adalah cara yang fleksibel dan efisien untuk menjelaskan data tabular (numerik dan teks). Data dapat dimuat dari file teks atau secara real time (misalnya, database SQL atau file log) ke IDataView objek.

LoadFromTextFile() mendefinisikan skema data dan membaca dalam file. Mengambil variabel jalur data dan mengembalikan IDataView. Dalam hal ini, Anda memberikan jalur untuk file Test dan Train Anda dan menunjukkan header file teks (sehingga dapat menggunakan nama kolom dengan benar) serta pemisah data dengan karakter koma (pemisah default adalah tab).

Tambahkan kode berikut untuk memanggil metode Anda LoadData() dan mengembalikan Train data dan Test :

(IDataView trainingDataView, IDataView testDataView) = LoadData(mlContext);

Membangun dan melatih model Anda

Buat metode BuildAndTrainModel() tepat setelah metode LoadData() dengan menggunakan kode berikut:

ITransformer BuildAndTrainModel(MLContext mlContext, IDataView trainingDataView)
{

}

Nota

Metode ini akan memberi Anda kesalahan hingga Anda menambahkan instruksi pengembalian dalam langkah berikut.

Tentukan transformasi data dengan menambahkan kode berikut ke BuildAndTrainModel():

IEstimator<ITransformer> estimator = mlContext.Transforms.Conversion.MapValueToKey(outputColumnName: "userIdEncoded", inputColumnName: "userId")
    .Append(mlContext.Transforms.Conversion.MapValueToKey(outputColumnName: "movieIdEncoded", inputColumnName: "movieId"));

Karena userId dan movieId mewakili pengguna dan judul film, bukan nilai nyata, Anda menggunakan metode MapValueToKey() untuk mengubah masing-masing dan masing-masing userIdmovieId menjadi kolom jenis Feature kunci numerik (format yang diterima oleh algoritma rekomendasi) dan menambahkannya sebagai kolom himpunan data baru:

userId	movieId	Etiket	ID Pengguna Ter-encode	movieIdEncoded
1	1	4	userKey1	movieKey1
1	3	4	userKey1	movieKey2
1	6	4	userKey1	movieKey3

Pilih algoritma pembelajaran mesin dan tambahkan ke definisi transformasi data dengan menambahkan yang berikut sebagai baris kode berikutnya di BuildAndTrainModel():

var options = new MatrixFactorizationTrainer.Options
{
    MatrixColumnIndexColumnName = "userIdEncoded",
    MatrixRowIndexColumnName = "movieIdEncoded",
    LabelColumnName = "Label",
    NumberOfIterations = 20,
    ApproximationRank = 100
};

var trainerEstimator = estimator.Append(mlContext.Recommendation().Trainers.MatrixFactorization(options));

MatrixFactorizationTrainer adalah algoritma pelatihan rekomendasi Anda. Matrix Factorization adalah pendekatan umum untuk rekomendasi ketika Anda memiliki data tentang bagaimana pengguna telah menilai produk di masa lalu, yang merupakan kasus untuk himpunan data dalam tutorial ini. Ada algoritma rekomendasi lainnya ketika Anda memiliki data yang berbeda yang tersedia (lihat bagian Algoritma rekomendasi lainnya di bawah ini untuk mempelajari lebih lanjut).

Dalam hal ini, Matrix Factorization algoritma menggunakan metode yang disebut "pemfilteran kolaboratif", yang mengasumsikan bahwa jika Pengguna 1 memiliki pendapat yang sama dengan Pengguna 2 pada masalah tertentu, maka Pengguna 1 lebih mungkin merasakan cara yang sama seperti Pengguna 2 tentang masalah yang berbeda.

Misalnya, jika Pengguna 1 dan Pengguna 2 memberi peringkat film dengan cara yang serupa, maka Pengguna 2 lebih cenderung menikmati film yang telah ditonton dan diberi peringkat tinggi oleh Pengguna 1.

	`Incredibles 2 (2018)`	`The Avengers (2012)`	`Guardians of the Galaxy (2014)`
Pengguna 1	Ditonton dan disukai film	Ditonton dan disukai film	Ditonton dan disukai film
Pengguna 2	Ditonton dan disukai film	Ditonton dan disukai film	Belum menonton -- REKOMENDASIkan film

Pelatih Matrix Factorization memiliki beberapa Opsi, yang dapat Anda baca lebih lanjut di bagian Algoritma hiperparameter di bawah ini.

Paskan model ke Train data dan kembalikan model terlatih dengan menambahkan yang berikut ini sebagai baris kode berikutnya dalam BuildAndTrainModel() metode :

Console.WriteLine("=============== Training the model ===============");
ITransformer model = trainerEstimator.Fit(trainingDataView);

return model;

Metode Fit() melatih model Anda dengan himpunan data pelatihan yang disediakan. Secara teknis, ia menjalankan Estimator definisi dengan mengubah data dan menerapkan pelatihan, dan mengembalikan kembali model terlatih, yang merupakan Transformer.

Untuk informasi selengkapnya tentang alur kerja pelatihan model di ML.NET, lihat Apa itu ML.NET dan bagaimana cara kerjanya?.

Tambahkan yang berikut ini sebagai baris kode berikutnya di bawah panggilan ke LoadData() metode untuk memanggil metode Anda BuildAndTrainModel() dan mengembalikan model terlatih:

ITransformer model = BuildAndTrainModel(mlContext, trainingDataView);

Mengevaluasi model Anda

Setelah Melatih model, gunakan data pengujian untuk mengevaluasi performa model Anda.

Buat metode EvaluateModel() tepat setelah metode BuildAndTrainModel() dengan menggunakan kode berikut:

void EvaluateModel(MLContext mlContext, IDataView testDataView, ITransformer model)
{

}

Test Ubah data dengan menambahkan kode berikut ke EvaluateModel():

Console.WriteLine("=============== Evaluating the model ===============");
var prediction = model.Transform(testDataView);

Metode Transform() membuat prediksi untuk beberapa baris input yang disediakan dari himpunan data pengujian.

Evaluasi model dengan menambahkan yang berikut ini sebagai baris kode berikutnya dalam EvaluateModel() metode :

var metrics = mlContext.Regression.Evaluate(prediction, labelColumnName: "Label", scoreColumnName: "Score");

Setelah Anda memiliki set prediksi, metode Evaluate() menilai model, yang membandingkan nilai yang diprediksi dengan aktual Labels dalam himpunan data pengujian dan mengembalikan metrik tentang performa model.

Cetak metrik evaluasi Anda ke konsol dengan menambahkan yang berikut ini sebagai baris kode berikutnya dalam EvaluateModel() metode :

Console.WriteLine("Root Mean Squared Error : " + metrics.RootMeanSquaredError.ToString());
Console.WriteLine("RSquared: " + metrics.RSquared.ToString());

Tambahkan yang berikut ini sebagai baris kode berikutnya di bawah panggilan ke BuildAndTrainModel() metode untuk memanggil metode Anda EvaluateModel() :

EvaluateModel(mlContext, testDataView, model);

Output sejauh ini akan terlihat mirip dengan teks berikut:

=============== Training the model ===============
iter      tr_rmse          obj
   0       1.5403   3.1262e+05
   1       0.9221   1.6030e+05
   2       0.8687   1.5046e+05
   3       0.8416   1.4584e+05
   4       0.8142   1.4209e+05
   5       0.7849   1.3907e+05
   6       0.7544   1.3594e+05
   7       0.7266   1.3361e+05
   8       0.6987   1.3110e+05
   9       0.6751   1.2948e+05
  10       0.6530   1.2766e+05
  11       0.6350   1.2644e+05
  12       0.6197   1.2541e+05
  13       0.6067   1.2470e+05
  14       0.5953   1.2382e+05
  15       0.5871   1.2342e+05
  16       0.5781   1.2279e+05
  17       0.5713   1.2240e+05
  18       0.5660   1.2230e+05
  19       0.5592   1.2179e+05
=============== Evaluating the model ===============
Rms: 0.994051469730769
RSquared: 0.412556298844873

Dalam output ini, ada 20 iterasi. Dalam setiap iterasi, ukuran kesalahan menurun dan semakin mendekati 0.

root of mean squared error (RMS atau RMSE) digunakan untuk mengukur perbedaan antara nilai yang diprediksi model dan nilai himpunan data pengujian yang diamati. Secara teknis itu adalah akar kuadrat dari rata-rata kuadrat kesalahan. Semakin rendah, semakin baik modelnya.

R Squared menunjukkan seberapa baik data cocok dengan model. Berkisar antara 0 hingga 1. Nilai 0 berarti bahwa data acak atau tidak dapat sesuai dengan model. Nilai 1 berarti bahwa model sama persis dengan data. Anda ingin skor Anda R Squared sedekat mungkin dengan 1.

Membangun model yang berhasil adalah proses berulang. Model ini memiliki kualitas awal yang lebih rendah karena tutorial menggunakan himpunan data kecil untuk memberikan pelatihan model cepat. Jika Anda tidak puas dengan kualitas model, Anda dapat mencoba meningkatkannya dengan menyediakan himpunan data pelatihan yang lebih besar atau dengan memilih algoritma pelatihan yang berbeda dengan parameter hiper yang berbeda untuk setiap algoritma. Untuk informasi selengkapnya, lihat bagian Tingkatkan model Anda di bawah ini.

Menggunakan model

Sekarang Anda dapat menggunakan model terlatih untuk membuat prediksi pada data baru.

Buat metode UseModelForSinglePrediction() tepat setelah metode EvaluateModel() dengan menggunakan kode berikut:

void UseModelForSinglePrediction(MLContext mlContext, ITransformer model)
{

}

PredictionEngine Gunakan untuk memprediksi peringkat dengan menambahkan kode berikut ke UseModelForSinglePrediction():

Console.WriteLine("=============== Making a prediction ===============");
var predictionEngine = mlContext.Model.CreatePredictionEngine<MovieRating, MovieRatingPrediction>(model);

PredictionEngine adalah API kenyamanan, yang memungkinkan Anda melakukan prediksi pada satu instans data. PredictionEngine tidak aman untuk utas. Dapat diterima untuk digunakan di lingkungan utas tunggal atau prototipe. Untuk peningkatan performa dan keamanan utas di lingkungan produksi, gunakan PredictionEnginePool layanan , yang menciptakan ObjectPoolPredictionEngine objek untuk digunakan di seluruh aplikasi Anda. Lihat panduan ini tentang cara menggunakan PredictionEnginePool di ASP.NET Core Web API.

Nota

PredictionEnginePool ekstensi layanan saat ini dalam pratinjau.

Buat instans yang MovieRating dipanggil testInput dan teruskan ke Mesin Prediksi dengan menambahkan yang berikut sebagai baris kode berikutnya dalam UseModelForSinglePrediction() metode :

var testInput = new MovieRating { userId = 6, movieId = 10 };

var movieRatingPrediction = predictionEngine.Predict(testInput);

Fungsi Predict() membuat prediksi pada satu kolom data.

Anda kemudian dapat menggunakan Score, atau peringkat yang diprediksi, untuk menentukan apakah Anda ingin merekomendasikan film dengan movieId 10 kepada pengguna 6. Semakin tinggi Score, semakin tinggi kemungkinan pengguna menyukai film tertentu. Dalam hal ini, katakanlah Anda merekomendasikan film dengan peringkat > yang diprediksi 3,5.

Untuk mencetak hasilnya, tambahkan yang berikut ini sebagai baris kode berikutnya dalam UseModelForSinglePrediction() metode :

if (Math.Round(movieRatingPrediction.Score, 1) > 3.5)
{
    Console.WriteLine("Movie " + testInput.movieId + " is recommended for user " + testInput.userId);
}
else
{
    Console.WriteLine("Movie " + testInput.movieId + " is not recommended for user " + testInput.userId);
}

Tambahkan yang berikut ini sebagai baris kode berikutnya setelah panggilan ke EvaluateModel() metode untuk memanggil metode Anda UseModelForSinglePrediction() :

UseModelForSinglePrediction(mlContext, model);

Output metode ini akan terlihat mirip dengan teks berikut:

=============== Making a prediction ===============
Movie 10 is recommended for user 6

Simpan model Anda

Untuk menggunakan model Anda untuk membuat prediksi di aplikasi pengguna akhir, Anda harus terlebih dahulu menyimpan model.

Buat metode SaveModel() tepat setelah metode UseModelForSinglePrediction() dengan menggunakan kode berikut:

void SaveModel(MLContext mlContext, DataViewSchema trainingDataViewSchema, ITransformer model)
{

}

Simpan model terlatih Anda dengan menambahkan kode berikut dalam SaveModel() metode :

var modelPath = Path.Combine(Environment.CurrentDirectory, "Data", "MovieRecommenderModel.zip");

Console.WriteLine("=============== Saving the model to a file ===============");
mlContext.Model.Save(model, trainingDataViewSchema, modelPath);

Metode ini menyimpan model terlatih Anda ke file .zip (di folder "Data"), yang kemudian dapat digunakan di aplikasi .NET lainnya untuk membuat prediksi.

Tambahkan yang berikut ini sebagai baris kode berikutnya setelah panggilan ke UseModelForSinglePrediction() metode untuk memanggil metode Anda SaveModel() :

SaveModel(mlContext, trainingDataView.Schema, model);

Menggunakan model tersimpan Anda

Setelah menyimpan model yang telah dilatih, Anda dapat mengonsumsi model di lingkungan yang berbeda. Lihat Menyimpan dan memuat model terlatih untuk mempelajari cara mengoprasionalkan model pembelajaran mesin terlatih di aplikasi.

Results

Setelah mengikuti langkah-langkah di atas, jalankan aplikasi konsol Anda (Ctrl + F5). Hasil Anda dari prediksi tunggal di atas harus mirip dengan yang berikut ini. Anda mungkin melihat peringatan atau pesan pemrosesan, tetapi pesan ini telah dihapus dari hasil berikut untuk kejelasan.

=============== Training the model ===============
iter      tr_rmse          obj
   0       1.5382   3.1213e+05
   1       0.9223   1.6051e+05
   2       0.8691   1.5050e+05
   3       0.8413   1.4576e+05
   4       0.8145   1.4208e+05
   5       0.7848   1.3895e+05
   6       0.7552   1.3613e+05
   7       0.7259   1.3357e+05
   8       0.6987   1.3121e+05
   9       0.6747   1.2949e+05
  10       0.6533   1.2766e+05
  11       0.6353   1.2636e+05
  12       0.6209   1.2561e+05
  13       0.6072   1.2462e+05
  14       0.5965   1.2394e+05
  15       0.5868   1.2352e+05
  16       0.5782   1.2279e+05
  17       0.5713   1.2227e+05
  18       0.5637   1.2190e+05
  19       0.5604   1.2178e+05
=============== Evaluating the model ===============
Rms: 0.977175077487166
RSquared: 0.43233349213192
=============== Making a prediction ===============
Movie 10 is recommended for user 6
=============== Saving the model to a file ===============

Selamat! Anda sekarang telah berhasil membangun model pembelajaran mesin untuk merekomendasikan film. Anda dapat menemukan kode sumber untuk tutorial ini di repositori dotnet/samples .

Tingkatkan model Anda

Ada beberapa cara agar Anda dapat meningkatkan performa model sehingga Anda bisa mendapatkan prediksi yang lebih akurat.

Data Informasi

Menambahkan lebih banyak data pelatihan yang memiliki sampel yang cukup untuk setiap pengguna dan ID film dapat membantu meningkatkan kualitas model rekomendasi.

Validasi silang adalah teknik untuk mengevaluasi model yang secara acak membagi data menjadi subset (alih-alih mengekstrak data pengujian dari himpunan data seperti yang Anda lakukan dalam tutorial ini) dan mengambil beberapa grup sebagai data pelatihan dan beberapa grup sebagai data pengujian. Metode ini mengungguli pembuatan pemisahan uji pelatihan dalam hal kualitas model.

Features

Dalam tutorial ini, Anda hanya menggunakan tiga Features (user id, , movie iddan rating) yang disediakan oleh himpunan data.

Meskipun ini adalah awal yang baik, pada kenyataannya Anda mungkin ingin menambahkan atribut lain atau Features (misalnya, usia, jenis kelamin, lokasi geografis, dll.) jika mereka disertakan dalam himpunan data. Menambahkan yang lebih relevan Features dapat membantu meningkatkan performa model rekomendasi Anda.

Jika Anda tidak yakin tentang mana yang Features mungkin paling relevan untuk tugas pembelajaran mesin Anda, Anda juga dapat menggunakan Perhitungan Kontribusi Fitur (FCC) dan kepentingan fitur permutasi, yang ML.NET sediakan untuk menemukan yang paling berpengaruh Features.

Hiperparameter algoritma

Meskipun ML.NET menyediakan algoritma pelatihan default yang baik, Anda dapat menyempurnakan performa lebih lanjut dengan mengubah hiperparameter algoritma.

Untuk Matrix Factorization, Anda dapat bereksperimen dengan hiperparameter seperti NumberOfIterations dan ApproximationRank untuk melihat apakah itu memberi Anda hasil yang lebih baik.

Misalnya, dalam tutorial ini opsi algoritmanya adalah:

var options = new MatrixFactorizationTrainer.Options
{
    MatrixColumnIndexColumnName = "userIdEncoded",
    MatrixRowIndexColumnName = "movieIdEncoded",
    LabelColumnName = "Label",
    NumberOfIterations = 20,
    ApproximationRank = 100
};

Algoritma Rekomendasi Lainnya

Algoritma faktorisasi matriks dengan pemfilteran kolaboratif hanya satu pendekatan untuk melakukan rekomendasi film. Dalam banyak kasus, Anda mungkin tidak memiliki data peringkat yang tersedia dan hanya memiliki riwayat film yang tersedia dari pengguna. Dalam kasus lain, Anda mungkin memiliki lebih dari sekadar data peringkat pengguna.

Algoritma	Scenario	Sample
Faktorisasi Matriks Satu Kelas	Gunakan ini ketika Anda hanya memiliki userId dan movieId. Gaya rekomendasi ini didasarkan pada skenario pembelian bersama, atau produk yang sering dibeli bersama- sama, yang berarti akan merekomendasikan kepada pelanggan serangkaian produk berdasarkan riwayat pesanan pembelian mereka sendiri.	>Cobalah
Mesin Faktorisasi Sadar Bidang	Gunakan ini untuk membuat rekomendasi saat Anda memiliki lebih banyak Fitur di luar userId, productId, dan peringkat (seperti deskripsi produk atau harga produk). Metode ini juga menggunakan pendekatan pemfilteran kolaboratif.	>Cobalah

Skenario pengguna baru

Salah satu masalah umum dalam pemfilteran kolaboratif adalah masalah cold start, yaitu ketika Anda memiliki pengguna baru tanpa data sebelumnya untuk menarik inferensi. Masalah ini sering diselesaikan dengan meminta pengguna baru untuk membuat profil dan, misalnya, menilai film yang telah mereka lihat di masa lalu. Meskipun metode ini menempatkan beberapa beban pada pengguna, metode ini menyediakan beberapa data awal untuk pengguna baru tanpa riwayat peringkat.

Resources

Data yang digunakan dalam tutorial ini berasal dari Himpunan Data MovieLens.

Langkah selanjutnya

Dalam tutorial ini, Anda belajar cara:

Pilih algoritma pembelajaran mesin
Menyiapkan dan memuat data Anda
Membangun dan melatih model
Mengevaluasi model
Menyebarkan dan menggunakan model

Lanjutkan ke tutorial berikutnya untuk mempelajari lebih lanjut

Analisis Sentimen

Saran dan Komentar

Apakah halaman ini membantu?

Last updated on 2025-12-06

Tutorial: Membuat pemberi rekomendasi film menggunakan faktorisasi matriks dengan ML.NET

Alur kerja pembelajaran mesin

Prasyarat

Pilih tugas pembelajaran mesin yang sesuai

Membuat aplikasi konsol

Membuat proyek

Unduh data Anda

Memuat data Anda

Membangun dan melatih model Anda

Mengevaluasi model Anda

Menggunakan model

Simpan model Anda

Menggunakan model tersimpan Anda

Results

Tingkatkan model Anda

Data Informasi

Features

Hiperparameter algoritma

Algoritma Rekomendasi Lainnya

Skenario pengguna baru

Resources

Langkah selanjutnya

Saran dan Komentar

Sumber Daya Tambahan: