Подсистема Score Matchbox

  • Статья

Важно!

Поддержка Студии машинного обучения (классической) будет прекращена 31 августа 2024 г. До этой даты рекомендуется перейти на Машинное обучение Azure.

Начиная с 1 декабря 2021 года вы не сможете создавать новые ресурсы Студии машинного обучения (классической). Существующие ресурсы Студии машинного обучения (классическая версия) можно будет использовать до 31 августа 2024 г.

Поддержка документации по ML Studio (классической) прекращается, а сама документация может не обновляться в будущем.

Оценивает прогнозы для набора данных с помощью алгоритма рекомендаций Matchbox

категория: Машинное обучение/оценка

Примечание

применимо к: только Машинное обучение Studio (классическая модель)

Подобные модули перетаскивания доступны в конструкторе машинного обучения Azure.

Обзор модуля

в этой статье описывается, как использовать модуль рекомендуемых рекомендаций Matchbox в Машинное обучение Studio (классическая модель) для создания прогнозов на основе обученной модели рекомендаций на основе алгоритма Matchbox из Microsoft Research.

Matchbox рекомендации могут формировать четыре различных типа прогнозов:

При создании последних трех прогнозов можно выполнять действия в рабочем режиме или в режиме оценки.

  • Рабочий режим учитывает всех пользователей или элементы и обычно используется в веб-службе.

    Вы можете создавать оценки для новых пользователей, а не только для тех, кого видели во время обучения. Дополнительные сведения см. в этом разделе.

  • Режим оценки работает с ограниченным набором пользователей или элементов, которые могут быть оценены, и обычно используется во время экспериментов.

Совет

Ознакомьтесь со всеми необходимыми сведениями о создании системы рекомендаций в этом учебнике из группы разработчиков .NET. содержит пример кода и обсуждение того, как вызывать Машинное обучение из приложения.

создание подсистемы рекомендаций для приложений .net с помощью Машинное обучение

Дополнительные сведения о Matchbox рекомендации

Целью создания системы рекомендаций является порекомендовать один или несколько "элементов" для "пользователей" системы. В качестве примеров элементов можно привести фильм, ресторан, книгу или песню. Пользователь может быть отдельным лицом, группой лиц или другой сущностью с предпочтениями элементов.

Существует два основных подхода к системам рекомендаций. Первый — подход, основанный на содержимом, который использует признаки для пользователей и для элементов. Пользователи могут описываться свойствами, такими как возраст и пол, а элементы — такими свойствами, как автор и изготовитель. Типичные примеры систем рекомендаций на основе содержимого можно найти на сайтах знакомств. Второй подход — совместная фильтрация. При этом подходе используются только идентификаторы пользователей и элементы, и система получает неявные сведения об этих сущностях из (разреженной) матрицы оценок, присвоенных элементам пользователями. Мы можем получить сведения о пользователе на основе оцененных им элементов и пользователей, которые оценили те же элементы.

Модель рекомендации Matchbox сочетает совместную фильтрацию с подходом на основе содержимого. Поэтому эта модель считается гибридной моделью рекомендаций. Если пользователь является относительно новым в системе, улучшение прогнозов достигается за счет использования сведений о признаках пользователя. Таким образом решается известная проблема "холодного запуска". Однако после достаточного количества оценок от конкретных пользователей можно делать для них полностью персонализированные прогнозы на базе их конкретных оценок, а не только на основе их признаков. Следовательно, происходит плавный переход от рекомендаций на основе содержимого к рекомендациям на основе совместной фильтрации. Даже если функции пользователя или элемента недоступны, Matchbox по-прежнему работает в режиме фильтрации совместной работы.

Дополнительные сведения о модели рекомендации Matchbox и используемых вероятностных алгоритмах можно найти в соответствующей научно-исследовательской публикации:

Примеры

Примеры создания оценок из подсистемы рекомендаций см. в Коллекция решений ии Azure.

  • Совет: Совет по Movie: в этом образце демонстрируется рекомендация по элементу, где элементы являются фильмами, а также демонстрируется прогноз рейтинга.

  • Помощник : Оценка ресторана. в этом примере демонстрируются рекомендации по использованию элементов и функций пользователей.

  • Рекомендации везде: в этой записи блога содержатся общие сведения о системах рекомендаций с множеством визуальных средств.

Как настроить рекомендацию по оценке Matchbox

Этот модуль поддерживает разные типы рекомендаций, каждый с разными требованиями. Щелкните ссылку, соответствующую типу имеющихся у вас данных и типу рекомендации, которую вы хотите создать.

Прогнозировать рейтинги

Когда вы прогнозируете рейтинги, модель вычисляет, как данный пользователь отреагирует на конкретный элемент с учетом данных обучения. Следовательно, входные данные для выставления оценок должны содержать как пользователя, так и предмет для оценки.

  1. Добавьте в эксперимент модель обученной рекомендации и подключите ее к обученному Matchbox рекомендации. Необходимо создать модель, используя рекомендацию Train Matchbox.

  2. Тип рекомендательного прогноза: выберите Прогноз рейтинга. Дополнительные параметры не требуются.

  3. Добавьте данные, для которых вы хотите сделать прогнозы, и подключите их к набору данных для оценки.

    Для прогнозирования рейтингов входной набор данных должен содержать пары пользователь-элемент.

    Набор данных может содержать необязательный третий столбец оценок для пары пользователь-элемент в первом и втором столбцах, но третий столбец будет проигнорирован во время прогнозирования.

  4. (Необязательно). Если у вас есть набор данных о пользовательских функциях, подключите его к Пользовательским функциям.

    Набор данных пользовательских функций должен содержать идентификатор пользователя в первом столбце. Остальные столбцы должны содержать значения, характеризующие пользователей, такие как их пол, предпочтения, местоположение и т. д.

    Функции пользователей, имеющих оцененные элементы, пропускаются с помощью оценки Matchbox, так как они уже были получены во время обучения. Поэтому отфильтруйте набор данных заранее, чтобы включить только холодных пользователейили пользователей, которые не оценили какие-либо элементы.

    Предупреждение

    Если модель была обучена без использования пользовательских функций, вы не можете представить пользовательские функции во время скоринга.

  5. Если у вас есть набор данных характеристик элемента, вы можете связать его с характеристиками элемента.

    Набор данных характеристик элемента должен содержать идентификатор элемента в первом столбце. Остальные столбцы должны содержать значения, характеризующие элементы.

    Функции оцененных элементов пропускаются с помощью оценки Matchbox , так как они уже были получены во время обучения. Таким образом, ограничьте набор данных оценки для холодного запуска элементов или элементов, которые не были оценены пользователями.

    Предупреждение

    Если модель была обучена без использования функций элемента, вы не сможете внедрить функции элементов во время оценки.

  6. Используйте необязательный пятый порт ввода, именуемый набором данных для обучения, чтобы удалить элементы, которые уже были оценены из результатов прогноза.

    Чтобы применить этот фильтр, подключите исходный набор обучающих данных к входному порту.

  7. Запустите эксперимент.

Результаты прогнозов оценок

Выходной набор данных содержит три столбца, содержащих пользователя, элемент и прогнозируемую оценку для каждого входящего пользователя и элемента.

Кроме того, при подсчете очков вносятся следующие изменения.

  • Отсутствующие значения в столбце функции пользователя или элемента автоматически заменяются режимом непропущенных значений обучающего набора.

  • Все функции пользователей и элементов перемасштабируются по соответствующим максимальным абсолютным значениям, отображаемым в процессе обучения.

  • К значениям признаков не применяется перевод, чтобы сохранить их разреженность.

  • Признаки со строковыми значениями преобразуются в набор признаков индикаторов с двоичными значениями.

Рекомендация

Чтобы рекомендовать элементы для пользователей, вы предоставляете список пользователей и элементов в качестве входных данных. На основе этих данных модель использует свои знания о существующих элементах и пользователях, чтобы создать список элементов, которые могут понравиться каждому пользователю. Вы можете настроить количество возвращаемых рекомендаций и установить порог количества предыдущих рекомендаций, необходимых для создания рекомендации.

  1. Добавьте в эксперимент модель обученной рекомендации и подключите ее к обученному Matchbox рекомендации. Необходимо создать модель, используя рекомендацию Train Matchbox.

  2. Чтобы рекомендовать элементы для данного списка пользователей, установите для параметра Тип прогноза рекомендателя значение Рекомендация элемента.

  3. Рекомендуемый выбор элементов: укажите, используете ли вы модуль скоринга в производстве или для оценки модели, выбрав одно из следующих значений:

    • Из оцененных элементов (для оценки модели) : выберите этот вариант, если вы разрабатываете или тестируете модель. Эта опция включает режим оценки, и модуль дает рекомендации только по тем элементам входного набора данных, которые были оценены.

    • Из всех элементов: выберите этот параметр, если вы настраиваете эксперимент для использования в веб-службе или производстве. Эта опция включает производственный режим, и модуль дает рекомендации по всем элементам, увиденным во время обучения.

  4. Добавьте набор данных, для которого вы хотите сделать прогнозы, и подключите его к набору данных для оценки.

    • Если вы выберете вариант Из всех элементов, входной набор данных должен состоять из одного и только одного столбца, содержащего идентификаторы пользователей, для которых следует давать рекомендации.

      Если набор данных содержит более одного столбца, возникает ошибка. Используйте модуль Выбор столбцов в наборе данных , чтобы удалить лишние столбцы из входного набора данных.

    • Если вы выберете вариант Из оцененных элементов (для оценки модели) , входной набор данных должен состоять из пар пользователь-элемент. Первый столбец должен содержать идентификатор пользователя. Второй столбец должен содержать соответствующие идентификаторы элементов.

      Набор данных может включать в себя третий столбец рейтингов элементов пользователя, но этот столбец игнорируется.

  5. (Необязательно). Если у вас есть набор данных о пользовательских функциях, подключите его к Пользовательским функциям.

    Первый столбец в наборе данных пользовательских функций должен содержать идентификатор пользователя. Остальные столбцы должны содержать значения, характеризующие пользователя, такие как его пол, предпочтения, местоположение и т. д.

    Функции пользователей, имеющих оцененные элементы, пропускаются программой оценки Matchbox, поскольку эти функции уже были получены во время обучения. Таким образом, вы можете заранее отфильтровать свой набор данных, чтобы включить в него только пользователей с холодным запуском или пользователей, которые не оценили какие-либо элементы.

    Предупреждение

    Если модель была обучена без использования пользовательских функций, вы не можете использовать функции применения во время скоринга.

  6. (Необязательно) Если у вас есть набор данных характеристик элемента, вы можете связать его с характеристиками элемента.

    Первый столбец в наборе данных характеристик элемента должен содержать идентификатор элемента. Остальные столбцы должны содержать значения, характеризующие элементы.

    Функции оцененных элементов пропускаются с помощью программы оценки Matchbox, поскольку эти функции уже были получены во время обучения. Таким образом, вы можете ограничить свой набор данных скоринга элементами холодного запуска или элементами, которые не были оценены никакими пользователями.

    Предупреждение

    Если модель была обучена без использования функций элемента, не используйте функции элемента при оценке.

  7. Максимальное количество элементов, которые можно рекомендовать пользователю: введите количество элементов, которые нужно вернуть для каждого пользователя. По умолчанию рекомендуется 5 элементов.

  8. Минимальный размер пула рекомендаций на пользователя: введите значение, указывающее, сколько предыдущих рекомендаций требуется. По умолчанию для этого параметра установлено значение 2, что означает, что элемент должен быть рекомендован как минимум двумя другими пользователями.

    Эту опцию следует использовать только в том случае, если вы выставляете оценку в режиме оценки. Параметр недоступен, если выбран вариант из всех элементов.

  9. Запустите эксперимент.

Результаты рекомендации по элементу

В оцененном наборе данных, возвращаемом Score Matchbox Recommender, перечислены рекомендуемые элементы для каждого пользователя.

  • Первый столбец содержит идентификаторы пользователей.
  • Создается ряд дополнительных столбцов в зависимости от значения, установленного вами для параметра Максимальное количество элементов, рекомендуемых пользователю. Каждый столбец содержит рекомендованный элемент (по идентификатору). Рекомендации упорядочены по сродству пользователя к элементу, причем элемент с наивысшим сродством помещается в столбец Элемент 1.

Предупреждение

Этот оцененный набор данных нельзя вычислить с помощью модуля " Оценка программы".

Найти связанных пользователей

Возможность поиска связанных пользователей полезна, если вы порекомендуете «люди, подобные вам», или если вы создаете пул похожих пользователей, на котором будут основываться другие типы прогнозов.

  1. Добавьте в эксперимент модель обученной рекомендации и подключите ее к обученному Matchbox рекомендации. Необходимо создать модель, используя рекомендацию Train Matchbox.

  2. Тип рекомендуемого прогноза: выберите связанные пользователи.

  3. Выбор связанного пользователя. Укажите, как будет использоваться модель для оценки, и укажите пул пользователей, на которых будут основываться оценки, следующим образом:

    • От всех пользователей. Выберите этот параметр, если вы настраиваете эксперимент для использования в веб-службе или рабочей среде, или, если необходимо сделать прогнозы для новых пользователей. Этот параметр включает режим рабочей среды, и модуль основывается на его рекомендациях только для пользователей, которые видят во время обучения.

    • От пользователей, которые оценили элементы (для оценки модели): Выберите этот вариант при разработке или тестировании модели. Этот параметр включает режим оценки, и модель предоставляет рекомендации для пользователей в тестовом наборе, которые оценивают некоторые общие элементы.

  4. Подключение набор данных, содержащий пользователей, для которых создаются прогнозы. Формат этого набора данных зависит от того, используется ли модуль оценки в рабочем режиме или в режиме оценки.

    • Режим рабочей среды, использование из всех элементов

      Набор данных для оценки должен состоять из пользователей , для которых вы хотите найти соответствующих пользователей. Первый и только столбец должен содержать идентификаторы пользователей. Если включены другие столбцы, возникает ошибка. Используйте модуль Выбор столбцов в наборе данных для удаления ненужных столбцов.

    • Режим оценки с использованием элементов из оценки (для оценки модели)

      Набор данных для оценки должен состоять из 2-3 столбцов, содержащих пары "пользователь-элемент". Первый столбец должен содержать идентификаторы пользователей. Второй столбец должен содержать идентификаторы элементов. Набор данных может включать третий столбец оценок (пользователь в столбце 1 для элемента в столбце 2), но столбец рейтингов будет проигнорирован.

  5. Максимальное число связанных пользователей для поиска пользователя: введите число, указывающее максимальное количество прогнозов, которое требуется для каждого пользователя. Значение по умолчанию — 5, то есть можно вернуть не более пяти связанных пользователей, но в некоторых случаях может быть меньше 5.

  6. В режиме оценки (от пользователей с оценкой элементов) настройте следующие дополнительные параметры:

    • Минимальное число элементов, которые должен иметь пользователь запроса и соответствующий пользователь, должны иметь одинаковую оценку: это значение задает порог для рекомендаций. Число, которое вы вводите, представляет минимальное число элементов, которые должны быть оценены для целевого пользователя и потенциального связанного пользователя. Значение по умолчанию — 2. Это означает, что как минимум два элемента должны быть оценены обоими пользователями.

    • Минимальный размер связанного пула пользователей для одного пользователя: это значение управляет минимальным числом аналогичных пользователей, необходимых для создания рекомендации. По умолчанию значение равно 2. Это означает, что если у вас есть как раз два пользователя, имеющих отношение к одному и тому же элементу оценки, вы можете рассмотреть их связанные и создать рекомендацию.

  7. (Необязательно). Если у вас есть набор данных о пользовательских функциях, подключите его к Пользовательским функциям.

    Первый столбец в наборе данных пользовательских функций должен содержать идентификатор пользователя. Остальные столбцы должны содержать значения, характеризующие пользователя, такие как пол, предпочтения, расположение и т. д.

    Функции пользователей, имеющих оцененные элементы, пропускаются программой оценки Matchbox , так как эти функции уже были получены во время обучения. Поэтому отфильтруйте набор данных заранее, чтобы включить только холодных пользователейили пользователей, которые не оценили какие-либо элементы.

    Предупреждение

    Если модель была обучена без использования функций пользователя, вы не сможете применять пользовательские функции во время оценки.

  8. Используемых Если у вас есть набор данных о функциях элементов, подключите их к функциям элементов.

    Первый столбец в наборе данных характеристик элемента должен содержать идентификатор элемента. Остальные столбцы должны содержать значения, характеризующие элементы.

    Функции оцененных элементов игнорируются программой оценки Matchbox , так как эти функции уже были получены во время обучения. Таким образом, можно ограничить набор данных оценки для холодного запуска элементовили элементов, которые не были оценены пользователями.

    Предупреждение

    Если модель была обучена без использования функций элемента, не используйте функции элемента при оценке.

  9. Запустите эксперимент.

Оцененный набор данных, возвращенный программой Score Matchbox , содержит список пользователей, связанных с каждым пользователем во входном наборе данных.

Для каждого пользователя, указанного во входном наборе данных, результирующий набор данных содержит набор связанных пользователей.

  • Первый столбец содержит идентификатор целевого пользователя (указанный пользователем в качестве входных данных).

  • Создаются дополнительные столбцы, содержащие идентификаторы связанных пользователей. Число дополнительных столбцов зависит от значения, заданного в параметре Максимальное число связанных пользователей для поиска пользователя.

    Связанные пользователи упорядочиваются по стойкости отношения к целевому пользователю с наиболее тесно связанным пользователем в столбце, связанным с пользователем 1.

Найти связанные элементы

При прогнозировании связанных элементов можно создавать рекомендации для пользователей на основе уже оцененных элементов.

  1. Добавьте в эксперимент модель обученной рекомендации и подключите ее к обученному Matchbox рекомендации. Необходимо создать модель, используя рекомендацию Train Matchbox.

  2. Тип рекомендуемого прогноза: выберите связанные элементы.

  3. Подключение набор данных, содержащий пользователей, для которых создаются прогнозы. Формат этого набора данных зависит от того, используется ли модуль оценки в рабочем режиме или в режиме оценки.

    • Режим рабочей среды, использование из всех элементов

      Набор данных для оценки должен состоять из элементов, для которых необходимо найти соответствующих пользователей.

      Первый и только столбец должен содержать идентификаторы элементов. Если включены другие столбцы, возникает ошибка. Используйте модуль Выбор столбцов в наборе данных для удаления ненужных столбцов.

    • Режим оценки с использованием элементов из оценки (для оценки модели)

      Набор данных для оценки должен состоять из 2-3 столбцов, содержащих пары "пользователь-элемент". Первый столбец должен содержать идентификаторы пользователей. Второй столбец должен содержать идентификаторы элементов.

      Набор данных может включать третий столбец оценок (пользователь в столбце 1 для элемента в столбце 2), но столбец рейтингов игнорируется.

  4. Максимальное число связанных элементов для поиска элемента> : введите число, указывающее максимальное количество прогнозов, которое требуется для каждого элемента.

    Значение по умолчанию — 5, то есть можно вернуть не более пяти связанных элементов, но может быть менее 5.

  5. Если вы используете режим оценки (от пользователей с оценкой элементов), настройте следующие дополнительные параметры:

    • Минимальное число элементов, по которым должен быть оценен элемент запроса и связанный элемент. это значение задает пороговое значения для рекомендаций. Число, которое вы вводите, представляет минимальное количество элементов, которые были оценены целевым пользователем и некоторым связанным с ним пользователем. Значение по умолчанию — 2. Это означает, что как минимум два элемента должны быть оценены целевым пользователем и соответствующим пользователем.

    • Минимальный размер связанного пула элементов для одного элемента: это значение определяет минимальное количество аналогичных элементов, необходимых для создания рекомендации. По умолчанию значение равно 2. Это означает, что, если у вас есть как можно меньше двух элементов, связанных с учетом того, что они были оценены теми же пользователями, вы можете принять во внимание их отношение и создать рекомендацию.

  6. (Необязательно). Если у вас есть набор данных о пользовательских функциях, подключите его к Пользовательским функциям.

    Первый столбец в наборе данных пользовательских функций должен содержать идентификатор пользователя. Остальные столбцы должны содержать значения, характеризующие пользователя, такие как его пол, предпочтения, местоположение и т. д.

    Функции пользователей, имеющих оцененные элементы, пропускаются программой оценки Matchbox, поскольку эти функции уже были получены во время обучения. Таким образом, вы можете заранее отфильтровать свой набор данных, чтобы включить в него только пользователей с холодным запуском или пользователей, которые не оценили какие-либо элементы.

    Предупреждение

    Если модель была обучена без использования функций пользователя, вы не сможете применять пользовательские функции во время оценки.

  7. Используемых Если у вас есть набор данных о функциях элементов, их можно подключить к функциям элементов.

    Первый столбец в наборе данных характеристик элемента должен содержать идентификатор элемента. Остальные столбцы должны содержать значения, характеризующие элемент.

    Функции оцененных элементов пропускаются с помощью программы оценки Matchbox, поскольку эти функции уже были получены во время обучения. Таким образом, можно ограничить набор данных оценки для холодного запуска элементовили элементов, которые не были оценены пользователями.

    Предупреждение

    Если модель была обучена без использования функций элемента, не используйте функции элемента при оценке.

  8. Используемых В прогнозном эксперименте можно использовать пятый входной порт, именуемый набором данных для обучения, чтобы удалить существующих пользователей, включенных в обучающие данные модели из результатов прогноза.

    Чтобы применить этот фильтр, подключите исходный набор обучающих данных к входному порту.

  9. Запустите эксперимент.

В оценочном наборе данных, возвращенном функцией Score Matchbox, рекомендуется список связанных элементов для каждого элемента во входном наборе данных.

  • Первый столбец содержит идентификатор целевого элемента (элемент, указанный в качестве входных данных).

  • Создаются дополнительные столбцы, содержащие идентификаторы связанных элементов. Число дополнительных столбцов зависит от значения, заданного в параметре Максимальное количество связанных элементов для поиска элемента.

    Связанные элементы упорядочиваются по стойкости отношения к целевому элементу с наиболее строго связанным элементом в столбце, связанным элементом 1.

Технические примечания

В этом разделе содержатся ответы на некоторые распространенные вопросы об использовании рекомендации для создания прогнозов.

Пользователи и рекомендации по холодному запуску

Как правило, для создания рекомендаций модулю помощника по оценке Matchbox требуются те же входные данные, которые использовались при обучении модели, включая идентификатор пользователя. Это потому, что алгоритм должен знать, узнал ли он что-то об этом пользователе во время обучения.

Однако для новых пользователей у вас может не быть идентификатора пользователя, только некоторые пользовательские функции, такие как возраст, пол и т. д.

Вы по-прежнему можете создавать рекомендации для новых пользователей в вашей системе, обрабатывая их как пользователей начального запуска. Для таких пользователей алгоритм рекомендаций не использует журнал или предыдущие оценки, только характеристики пользователя.

В целях прогнозирования пользователь с холодным запуском определяется как пользователь с идентификатором, который не использовался для обучения. Чтобы убедиться, что идентификаторы не совпадают с идентификаторами, используемыми в обучении, вы можете создать новые идентификаторы. Например, вы можете сгенерировать случайные идентификаторы в указанном диапазоне или заранее выделить серию идентификаторов для пользователей с холодным запуском.

Однако если у вас нет никаких данных совместной фильтрации, таких как вектор характеристик пользователя, лучше использовать ученика классификации или регрессии.

Использование рекомендаций Matchbox в рабочей среде

Если вы выполнили эксперимент с рекомендацией Matchbox и затем перенесите модель в рабочую среду, учитывайте эти ключевые различия при использовании рекомендаций в режиме оценки и в рабочем режиме.

  • Для оценки по определению требуется прогнозы, которые можно проверить на соответствие экспериментальным данным в тестовом наборе. Таким образом, когда вы оцениваете рекомендатель, он должен прогнозировать только элементы, которые были оценены в тестовом наборе. Это неизбежно ограничивает возможные предсказываемые значения.

    Однако когда вы вводите эту модель в эксплуатацию, то обычно изменяете режим прогнозирования на создание рекомендаций на основе всех возможных элементов для получения наилучшей точности прогнозов. Для многих из этих прогнозов нет соответствующей истины, поэтому точность рекомендации не может быть проверена так же, как во время экспериментов.

  • Если вы не указываете идентификатор пользователя в рабочей среде и предоставляете только характеристический вектор, то можете получить в ответ список всех рекомендаций для всех возможных пользователей. Не забудьте предоставить идентификаторы пользователей.

    Чтобы ограничить количество возвращаемых рекомендаций, можно также указать максимальное количество возвращаемых элементов для пользователя.

  • Нельзя формировать прогнозы только для элементов, которые ранее не были оценены. Это сделано намеренно.

    Причина заключается в том, что для того, чтобы рекомендовать только те элементы, которые не были оценены, рекомендуется хранить весь обучающий набор данных в модели, что увеличит использование хранилища.

    Если вы хотите рекомендовать только элементы, которые еще не знакомы пользователю, можно запросить рекомендовать больше элементов, а затем вручную отфильтровать оцененные элементы.

Непрерывное обновление рекомендации

оперативное обновление (или непрерывное обучение) модели рекомендаций в настоящее время не поддерживается в Машинное обучение. Если вы хотите записать ответы пользователей на рекомендации и использовать их для улучшения модели, мы рекомендуем периодически переучить полную модель. Добавочное обучение невозможно, но можно применить скользящее окно к обучающим данным, чтобы гарантировать, что объем данных будет минимальным при использовании самых последних данных.

Ожидаемые входные данные

Имя Тип Описание
Обученная модель рекомендаций Matchbox ILearner Обученная модель рекомендаций Matchbox
Набор данных для оценки Таблица данных Набор данных для оценки
Признаки пользователя Таблица данных Набор данных, содержащий признаки, описывающие пользователей

Эти данные необязательны
Признаки элементов Таблица данных Набор данных, содержащий признаки, описывающие элементы

Эти данные необязательны

Параметры модуля

Имя Диапазон Тип По умолчанию Описание
Тип прогноза подсистемы Список Вид прогноза Рекомендация элемента Укажите тип прогноза, который должна получать подсистема рекомендаций
Выбор рекомендуемых элементов Список Выбор элементов Из оцененных элементов (для вычисления модели) Выберите набор элементов, на основе которых будут созданы рекомендации
Выбор связанных пользователей Список Выбор пользователя Из пользователей, которые оценили элементы (для оценки модели) Выберите набор пользователей, которые будут применяться при поиске связанных элементов
Выбор связанных элементов Список [Выбор элементов Из оцененных элементов (для вычисления модели) Выберите набор элементов, которые будут применяться при поиске связанных элементов

Выходные данные

Имя Тип Описание
Оцененный набор данных Таблица данных Оцененный набор данных

Исключения

Исключение Описание
Ошибка 0022 Исключение возникает, если количество выбранных столбцов в наборе входных данных не равно ожидаемому числу.
Ошибка 0036 Исключение возникает, если для данного пользователя или элемента было предоставлено несколько векторов признаков.
Ошибка 0013 Исключение возникает, если модулю передан обучаемый недопустимого типа.
Ошибка 0035 Исключение возникает, если для данного пользователя или элемента не были предоставлены какие-либо признаки.
Ошибка 0053 Исключение возникает, если отсутствуют признаки пользователей или элементы для рекомендаций подсистемы Matchbox.
Ошибка 0003 Исключение возникает, если один или несколько входных аргументов имеют значение NULL или пусты.

список ошибок, относящихся к модулям студии (классическая версия), см. в разделе Машинное обучение коды ошибок.

список исключений API см. в разделе Машинное обучение REST API коды ошибок.

См. также раздел

Обучение модели рекомендаций Matchbox
Оценка рекомендателя
Оценка