Wynik modułu poleceń SVD
W tym artykule opisano sposób używania składnika Score SVD Recommender w projektancie usługi Azure Machine Learning. Ten składnik służy do tworzenia przewidywań przy użyciu wytrenowanego modelu rekomendacji opartego na algorytmie dekompozycji pojedynczej wartości (SVD).
Moduł polecający SVD może wygenerować dwa różne rodzaje przewidywań:
Podczas tworzenia drugiego typu przewidywań można pracować w jednym z następujących trybów:
Tryb produkcyjny uwzględnia wszystkich użytkowników lub elementy. Jest on zwykle używany w usłudze internetowej.
Możesz tworzyć wyniki dla nowych użytkowników, a nie tylko użytkowników widocznych podczas trenowania. Aby uzyskać więcej informacji, zobacz uwagi techniczne.
Tryb oceny działa w ograniczonym zestawie użytkowników lub elementów, które można ocenić. Jest on zwykle używany podczas operacji potoku.
Aby uzyskać więcej informacji na temat algorytmu selektora SVD, zobacz dokumentację badawczą Techniki factoryzacji macierzy dla systemów rekomendacji.
How to configure Score SVD Recommender
Ten składnik obsługuje dwa typy przewidywań, z których każdy ma różne wymagania.
Przewidywanie ocen
Podczas przewidywania klasyfikacji model oblicza, jak użytkownik będzie reagować na określony element, biorąc pod uwagę dane treningowe. Dane wejściowe do oceniania muszą dostarczyć zarówno użytkownika, jak i elementu do oceny.
Dodaj wytrenowany model rekomendacji do potoku i połącz go z wytrenowanym modułem rekomendacji SVD. Należy utworzyć model przy użyciu składnika Train SVD Recommender .
W polu Typ przewidywania rekomendatora wybierz pozycję Przewidywanie oceny. Nie są wymagane żadne inne parametry.
Dodaj dane, dla których chcesz utworzyć przewidywania, i połącz je z zestawem danych, aby ocenić.
Aby model przewidywał oceny, wejściowy zestaw danych musi zawierać pary elementów użytkownika.
Zestaw danych może zawierać opcjonalną trzecią kolumnę klasyfikacji dla pary elementów użytkownika w pierwszych i drugich kolumnach. Jednak trzecia kolumna zostanie zignorowana podczas przewidywania.
Prześlij potok.
Wyniki prognoz klasyfikacji
Wyjściowy zestaw danych zawiera trzy kolumny: użytkownicy, elementy i przewidywana ocena dla każdego wejściowego użytkownika i elementu.
Zalecenia dla użytkowników
Aby polecać elementy dla użytkowników, należy podać listę użytkowników i elementów jako dane wejściowe. Na podstawie tych danych model wykorzystuje swoją wiedzę na temat istniejących elementów i użytkowników, aby wygenerować listę elementów z prawdopodobnym odwołaniem do każdego użytkownika. Możesz dostosować liczbę zwróconych zaleceń. Możesz też ustawić próg dla liczby poprzednich zaleceń, które są wymagane do wygenerowania zalecenia.
Dodaj wytrenowany model rekomendacji do potoku i połącz go z wytrenowanym modułem rekomendacji SVD. Należy utworzyć model przy użyciu składnika Train SVD Recommender .
Aby zalecić elementy dla listy użytkowników, ustaw typ przewidywania modułu rekomendacji na Wartość Zalecenie dotyczące elementu.
W obszarze Wybór zalecanego elementu wskaż, czy używasz składnika oceniania w środowisku produkcyjnym, czy do oceny modelu. Wybierz jedną z następujących wartości:
W obszarze Wszystkie elementy: wybierz tę opcję, jeśli konfigurujesz potok do użycia w usłudze internetowej lub w środowisku produkcyjnym. Ta opcja umożliwia tryb produkcyjny. Składnik tworzy rekomendacje ze wszystkich elementów widocznych podczas trenowania.
W obszarze Rated Items (w celu oceny modelu): wybierz tę opcję, jeśli tworzysz lub testujesz model. Ta opcja umożliwia tryb oceny. Składnik tworzy zalecenia tylko z tych elementów w wejściowym zestawie danych, które zostały ocenione.
Z pozycji Elementy nieselekcjonalne (aby zaproponować nowe elementy użytkownikom): wybierz tę opcję, jeśli chcesz, aby składnik mógł wykonywać rekomendacje tylko z tych elementów w zestawie danych trenowania, które nie zostały ocenione.
Dodaj zestaw danych, dla którego chcesz utworzyć przewidywania, i połącz go z zestawem danych w celu oceny.
W obszarze Z wszystkich elementów wejściowy zestaw danych powinien składać się z jednej kolumny. Zawiera on identyfikatory użytkowników, dla których mają być wyświetlane zalecenia.
Zestaw danych może zawierać dwie dodatkowe kolumny identyfikatorów elementów i klasyfikacji, ale te dwie kolumny są ignorowane.
W przypadku pozycji Z elementów ocenianych (na potrzeby oceny modelu) wejściowy zestaw danych powinien składać się z par elementów użytkownika. Pierwsza kolumna powinna zawierać identyfikator użytkownika. Druga kolumna powinna zawierać odpowiednie identyfikatory elementów.
Zestaw danych może zawierać trzecią kolumnę klasyfikacji elementów użytkownika, ale ta kolumna jest ignorowana.
W przypadku elementów bez oceny (aby sugerować nowe elementy użytkownikom), wejściowy zestaw danych powinien składać się z par elementów użytkownika. Pierwsza kolumna powinna zawierać identyfikator użytkownika. Druga kolumna powinna zawierać odpowiednie identyfikatory elementów.
Zestaw danych może zawierać trzecią kolumnę klasyfikacji elementów użytkownika, ale ta kolumna jest ignorowana.
Maksymalna liczba elementów, które mają być zalecane dla użytkownika: wprowadź liczbę elementów, które mają być zwracane dla każdego użytkownika. Domyślnie składnik zaleca pięć elementów.
Minimalny rozmiar puli zaleceń na użytkownika: wprowadź wartość wskazującą, ile wcześniejszych zaleceń jest wymaganych. Domyślnie ten parametr jest ustawiony na 2, co oznacza, że co najmniej dwóch innych użytkowników zaleciło ten element.
Użyj tej opcji tylko wtedy, gdy oceniasz w trybie oceny. Opcja jest niedostępna, jeśli wybierzesz pozycję Z wszystkich elementów lub Z nieselekcjonowanych elementów (aby zasugerować nowe elementy użytkownikom).
W obszarze From Unrated Items (aby sugerować nowe elementy użytkownikom), użyj trzeciego portu wejściowego o nazwie Dane szkoleniowe, aby usunąć elementy, które zostały już ocenione z wyników przewidywania.
Aby zastosować ten filtr, połącz oryginalny zestaw danych treningowych z portem wejściowym.
Prześlij potok.
Wyniki rekomendacji elementu
Wygenerowany zestaw danych zwrócony przez narzędzie Score SVD Recommender zawiera listę zalecanych elementów dla każdego użytkownika:
- Pierwsza kolumna zawiera identyfikatory użytkownika.
- Generowana jest liczba dodatkowych kolumn, w zależności od wartości ustawionej dla opcji Maksymalna liczba elementów, które mają być zalecane dla użytkownika. Każda kolumna zawiera zalecany element (według identyfikatora). Zalecenia są uporządkowane według koligacji elementu użytkownika. Element o najwyższym koligacji jest umieszczany w kolumnie Item 1.
Uwagi techniczne
Jeśli masz potok z selektorem SVD i przenosisz model do środowiska produkcyjnego, należy pamiętać, że istnieją kluczowe różnice między używaniem modułu rekomendacji w trybie oceny i używania go w trybie produkcyjnym.
Ocena, według definicji, wymaga przewidywań, które można zweryfikować względem podstawowej prawdy w zestawie testowym. Podczas oceny modułu rekomendacji musi on przewidywać tylko elementy, które zostały ocenione w zestawie testów. Ogranicza to możliwe wartości, które są przewidywane.
Podczas operacji modelu zazwyczaj zmieniasz tryb przewidywania, aby tworzyć rekomendacje na podstawie wszystkich możliwych elementów, aby uzyskać najlepsze przewidywania. Dla wielu z tych przewidywań nie ma odpowiedniej prawdy. Dlatego dokładność rekomendacji nie może być zweryfikowana w taki sam sposób, jak podczas operacji potoku.
Następne kroki
Zobacz zestaw składników dostępnych dla usługi Azure Machine Learning.