Poängmatchningbox-rekommenderare

  • Artikel

Viktigt

Stödet för Machine Learning Studio (klassisk) upphör den 31 augusti 2024. Vi rekommenderar att du byter till Azure Machine Learning innan dess.

Från och med den 1 december 2021 kan du inte längre skapa nya Machine Learning Studio-resurser (klassisk). Du kan fortsätta att använda befintliga Machine Learning Studio-resurser (klassisk) till och med den 31 augusti 2024.

Dokumentationen om ML Studio (klassisk) håller på att dras tillbaka och kanske inte uppdateras i framtiden.

Poängförutsägelser för en datauppsättning med hjälp av Matchbox-rekommenderaren

Kategori: Machine Learning/poäng

Anteckning

Gäller endast för: Machine Learning Studio (klassisk)

Liknande dra och släpp-moduler är tillgängliga i Azure Machine Learning designer.

Modulöversikt

Den här artikeln beskriver hur du använder modulen Score Matchbox Recommender i Machine Learning Studio (klassisk) för att skapa förutsägelser baserat på en tränad rekommendationsmodell, baserat på Matchbox-algoritmen från Microsoft Research.

Matchbox-rekommenderaren kan generera fyra olika typer av förutsägelser:

När du skapar de senare tre typerna av förutsägelser kan du arbeta i produktionsläge ellerutvärderingsläge.

  • Produktionsläget tar hänsyn till alla användare eller objekt och används vanligtvis i en webbtjänst.

    Du kan skapa poäng för nya användare, inte bara användare som visas under träningen. Mer information finns i det här avsnittet.

  • Utvärderingsläget fungerar på en begränsad uppsättning användare eller objekt som kan utvärderas och används vanligtvis under experimenteringen.

Tips

Lär dig allt du behöver veta om hela upplevelsen av att skapa ett rekommendationssystem i den här självstudien från .NET-utvecklingsteamet. Innehåller exempelkod och diskussion om hur du anropar Machine Learning från ett program.

Skapa rekommendationsmotor för .NET-program med hjälp av Machine Learning

Mer om Matchbox-rekommenderaren

Målet med att skapa ett rekommendationssystem är att rekommendera ett eller flera "objekt" till "användare" av systemet. Exempel på ett objekt kan vara en film, restaurang, bok eller låt. En användare kan vara en person, grupp med personer eller en annan entitet med objektinställningar.

Det finns två huvudsakliga metoder för att rekommendera system. Den första är den innehållsbaserade metoden , som använder funktioner för både användare och objekt. Användare kan beskrivas med egenskaper som ålder och kön, och objekt kan beskrivas av egenskaper som författare och tillverkare. Vanliga exempel på innehållsbaserade rekommendationssystem finns på webbplatser för sociala matchningar. Den andra metoden är samarbetsfiltrering, som endast använder identifierare för användarna och objekten och hämtar implicit information om dessa entiteter från en (gles) matris med klassificeringar som ges av användarna till objekten. Vi kan lära oss mer om en användare från de objekt som de har klassificerat och från andra användare som har betygsatt samma objekt.

Matchbox-rekommenderaren kombinerar samarbetsfiltrering med en innehållsbaserad metod. Det anses därför vara en hybridrekommendation. När en användare är relativt ny i systemet förbättras förutsägelserna genom att använda funktionsinformationen om användaren, vilket tar itu med det välkända "kallstartsproblemet". Men när det finns ett tillräckligt antal klassificeringar från en viss användare, är det möjligt att göra fullständigt anpassade förutsägelser för dem baserat på deras specifika klassificeringar i stället för enbart deras funktioner. Därför sker en smidig övergång från innehållsbaserade rekommendationer till rekommendationer baserat på samarbetsfiltrering. Även om användar- eller objektfunktioner inte är tillgängliga fungerar Matchbox fortfarande i sitt samarbetsfiltreringsläge.

Mer information om Matchbox-rekommenderaren och dess underliggande probabilistiska algoritm finns i relevant forskning:

Exempel

Exempel på hur du skapar poäng från en rekommendationsmotor finns i Azure AI Gallery.

  • Rekommendationer Överallt: Det här blogginlägget innehåller en introduktion på hög nivå till rekommendationssystem med många visuella hjälpmedel.

Så här konfigurerar du Score Matchbox Recommender

Den här modulen stöder olika typer av rekommendationer, var och en med olika krav. Klicka på länken för den typ av data du har och vilken typ av rekommendation du vill skapa.

Förutsäga klassificeringar

När du förutsäger klassificeringar beräknar modellen hur en viss användare kommer att reagera på ett visst objekt, givet träningsdata. Därför måste indata för bedömning tillhandahålla både en användare och det objekt som ska betygsättas.

  1. Lägg till en tränad rekommendationsmodell i experimentet och anslut den till den tränade Matchbox-rekommenderaren. Du måste skapa modellen med hjälp av Train Matchbox Recommender.

  2. Typ av rekommendationsförutsägelse: Välj Klassificeringsförutsägelse. Inga ytterligare parametrar krävs.

  3. Lägg till de data som du vill göra förutsägelser för och anslut dem till Datauppsättning för att göra poäng.

    För att förutsäga klassificeringar måste indatauppsättningen innehålla användarobjektpar.

    Datamängden kan innehålla en valfri tredje kolumn med klassificeringar för användarobjektparet i den första och andra kolumnen, men den tredje kolumnen ignoreras under förutsägelsen.

  4. (Valfritt). Om du har en datauppsättning med användarfunktioner ansluter du den till Användarfunktioner.

    Datamängden med användarfunktioner ska innehålla användaridentifieraren i den första kolumnen. De återstående kolumnerna ska innehålla värden som kännetecknar användarna, till exempel deras kön, inställningar, plats osv.

    Funktioner hos användare som har betygsatt objekt ignoreras av Score Matchbox Recommender eftersom de redan har lärt sig under träningen. Filtrera därför datauppsättningen i förväg så att den endast innehåller kallstartsanvändare eller användare som inte har betygsatt några objekt.

    Varning

    Om modellen tränades utan att använda användarfunktioner kan du inte introducera användarfunktioner under bedömning.

  5. Om du har en datauppsättning med objektfunktioner kan du ansluta den till objektfunktioner.

    Datauppsättningen för objektfunktioner måste innehålla en objektidentifierare i den första kolumnen. De återstående kolumnerna ska innehålla värden som kännetecknar objekten.

    Funktioner i klassificerade objekt ignoreras av Score Matchbox Recommender eftersom de redan har lärts in under träningen. Begränsa därför bedömningsdatamängden till kallstartsobjekt eller objekt som inte har klassificerats av några användare.

    Varning

    Om modellen tränades utan att använda objektfunktioner kan du inte introducera objektfunktioner under bedömning.

  6. Använd den valfria femte indataporten, med namnet Träningsdatauppsättning, för att ta bort objekt som redan har klassificerats från förutsägelseresultatet.

    Om du vill använda det här filtret ansluter du den ursprungliga träningsdatauppsättningen till indataporten.

  7. Kör experimentet.

Resultat för klassificeringsförutsägelser

Utdatauppsättningen innehåller tre kolumner som innehåller användaren, objektet och det förväntade omdömet för varje indataanvändare och objekt.

Dessutom tillämpas följande ändringar under bedömning:

  • Saknade värden i en användares eller objekts funktionskolumner ersätts automatiskt med läget för de träningsuppsättningsvärden som inte saknas.

  • Alla funktioner för användare och objekt skalas om med motsvarande högsta absoluta värden som visas i träningen.

  • Ingen översättning tillämpas på funktionsvärdena för att bibehålla sin sparsitet.

  • Strängvärdesfunktioner konverteras till en uppsättning binära indikatorfunktioner.

Rekommenderad

Om du vill rekommendera objekt för användare anger du en lista över användare och objekt som indata. Utifrån dessa data använder modellen sin kunskap om befintliga objekt och användare för att generera en lista över objekt med sannolik tilltalande för varje användare. Du kan anpassa antalet rekommendationer som returneras och ange ett tröskelvärde för antalet tidigare rekommendationer som krävs för att generera en rekommendation.

  1. Lägg till en tränad rekommendationsmodell i experimentet och anslut den till den tränade Matchbox-rekommenderaren. Du måste skapa modellen med hjälp av Train Matchbox Recommender.

  2. Om du vill rekommendera objekt för en viss lista över användare anger du Rekommendationsförutsägelse typ till Objektrekommendation.

  3. Rekommenderat objektval: Ange om du använder bedömningsmodulen i produktion eller för modellutvärdering genom att välja något av följande värden:

    • Från Klassificerade objekt (för modellutvärdering): Välj det här alternativet om du utvecklar eller testar en modell. Det här alternativet aktiverar utvärderingsläge och modulen ger endast rekommendationer från de objekt i indatauppsättningen som har klassificerats.

    • Från Alla objekt: Välj det här alternativet om du ställer in ett experiment som ska användas i en webbtjänst eller produktion. Det här alternativet aktiverar produktionsläge och modulen ger rekommendationer från alla objekt som visas under träningen.

  4. Lägg till den datauppsättning som du vill göra förutsägelser för och anslut den till Datauppsättning för att poängsera.

    • Om du väljer alternativet Från alla objekt ska indatauppsättningen bestå av en och endast en kolumn, som innehåller identifierare för användare som du kan ge rekommendationer för.

      Om datauppsättningen innehåller mer än en kolumn utlöses ett fel. Använd modulen Välj kolumner i datauppsättning för att ta bort extra kolumner från indatauppsättningen.

    • Om du väljer alternativet Från klassificerade objekt (för modellutvärdering) ska indatauppsättningen bestå av användarobjektpar. Den första kolumnen ska innehålla användaridentifieraren . Den andra kolumnen ska innehålla motsvarande objektidentifierare .

      Datamängden kan innehålla en tredje kolumn med klassificeringar för användarobjekt, men den här kolumnen ignoreras.

  5. (Valfritt). Om du har en datauppsättning med användarfunktioner ansluter du den till Användarfunktioner.

    Den första kolumnen i datauppsättningen med användarfunktioner ska innehålla användaridentifieraren. De återstående kolumnerna ska innehålla värden som kännetecknar användaren, till exempel deras kön, inställningar, plats osv.

    Funktioner hos användare som har betygsatt objekt ignoreras av Score Matchbox Recommender, eftersom dessa funktioner redan har lärts in under träningen. Därför kan du filtrera datauppsättningen i förväg så att den endast innehåller kallstartade användare eller användare som inte har betygsatt några objekt.

    Varning

    Om modellen tränades utan att använda användarfunktioner kan du inte använda funktioner under bedömning.

  6. (Valfritt) Om du har en datauppsättning med objektfunktioner kan du ansluta den till objektfunktioner.

    Den första kolumnen i objektfunktionernas datauppsättning måste innehålla objektidentifieraren. De återstående kolumnerna ska innehålla värden som kännetecknar objekten.

    Funktioner i klassificerade objekt ignoreras av Score Matchbox Recommender eftersom dessa funktioner redan har lärts in under träningen. Därför kan du begränsa bedömningsdatamängden till kallstartsobjekt eller objekt som inte har klassificerats av några användare.

    Varning

    Om modellen tränades utan att använda objektfunktioner ska du inte använda objektfunktioner vid bedömning.

  7. Maximalt antal objekt att rekommendera till en användare: Ange antalet objekt som ska returneras för varje användare. Som standard rekommenderas 5 objekt.

  8. Minsta storlek på rekommendationspoolen per användare: Ange ett värde som anger hur många tidigare rekommendationer som krävs. Som standard är den här parametern inställd på 2, vilket innebär att objektet måste ha rekommenderats av minst två andra användare.

    Det här alternativet bör endast användas om du poängar i utvärderingsläge. Alternativet är inte tillgängligt om du väljer Från alla objekt.

  9. Kör experimentet.

Resultat av objektrekommendation

Den poängade datauppsättningen som returneras av Score Matchbox Recommender visar de rekommenderade objekten för varje användare.

  • Den första kolumnen innehåller användaridentifierarna.
  • Ett antal ytterligare kolumner genereras, beroende på det värde som du anger för Maximalt antal objekt att rekommendera till en användare. Varje kolumn innehåller ett rekommenderat objekt (efter identifierare). Rekommendationerna sorteras efter mappning mellan användare och objekt, med objektet med högst tillhörighet inställt i kolumnen Objekt 1.

Varning

Den här poängade datauppsättningen kan inte utvärderas med hjälp av modulen Evaluate Recommender .

Hitta relaterade användare

Alternativet för att hitta relaterade användare är användbart om du rekommenderar "personer som du", eller om du skapar en pool med liknande användare som du kan basera andra typer av förutsägelser på.

  1. Lägg till en tränad rekommendationsmodell i experimentet och anslut den till den tränade Matchbox-rekommenderaren. Du måste skapa modellen med hjälp av Train Matchbox Recommender.

  2. Typ av rekommendationsförutsägelse: Välj Relaterade användare.

  3. Val av relaterade användare: Ange hur du ska använda modellen för bedömning och ange den pool med användare som poängen ska baseras på på följande sätt:

    • Från Alla användare: Välj det här alternativet om du ställer in ett experiment som ska användas i en webbtjänst eller produktion, eller om du behöver göra förutsägelser för nya användare. Det här alternativet aktiverar produktionsläge och modulen baserar sin rekommendation endast på användare som visas under träningen.

    • Från Användare som klassificerade objekt (för modellutvärdering): Välj det här alternativet om du utvecklar eller testar en modell. Det här alternativet aktiverar utvärderingsläge och modellen baserar sina rekommendationer på de användare i testuppsättningen som har betygsatt några vanliga objekt.

  4. Anslut en datauppsättning som innehåller de användare som ska generera förutsägelser. Formatet för den här datauppsättningen beror på om du använder bedömningsmodulen i produktionsläge eller utvärderingsläge.

    • Produktionsläge, med från alla objekt

      Datamängden som poäng ska poängse måste bestå av användare som du vill hitta relaterade användare för. Den första och enda kolumnen ska innehålla användaridentifierarna. Om andra kolumner inkluderas utlöses ett fel. Använd modulen Välj kolumner i datauppsättning för att ta bort onödiga kolumner.

    • Utvärderingsläge med från klassificerade objekt (för modellutvärdering)

      Datamängden som poäng ska bestå av 2–3 kolumner som innehåller användarobjektpar. Den första kolumnen ska innehålla användaridentifierare. Den andra kolumnen ska innehålla objektidentifierare. Datamängden kan innehålla en tredje kolumn med klassificeringar (av användaren i kolumn 1 för objektet i kolumn 2), men klassificeringskolumnen ignoreras.

  5. Maximalt antal relaterade användare att hitta för en användare: Ange ett tal som anger det maximala antalet förutsägelser som du vill ha för varje användare. Standardvärdet är 5, vilket innebär att högst fem relaterade användare kan returneras, men i vissa fall kan det vara färre än 5.

  6. I utvärderingsläge (från användare som klassificerade objekt) konfigurerar du dessa ytterligare parametrar:

    • Minsta antal objekt som frågeanvändaren och den relaterade användaren måste ha klassificerat gemensamt: Det här värdet anger ett tröskelvärde för rekommendationer. Det tal som du skriver representerar det minsta antalet objekt som målanvändaren och den potentiella relaterade användaren måste ha klassificerat. Standardvärdet är 2, vilket innebär att minst två objekt måste ha klassificerats av båda användarna.

    • Minsta storlek på den relaterade användarpoolen för en enskild användare: Det här värdet styr det minsta antalet liknande användare som behövs för att skapa en rekommendation. Som standard är värdet 2, vilket innebär att om du har så få som två användare som är relaterade tack vare att du betygsätter samma objekt kan du betrakta dem som relaterade och generera en rekommendation.

  7. (Valfritt). Om du har en datauppsättning med användarfunktioner ansluter du den till Användarfunktioner.

    Den första kolumnen i datauppsättningen med användarfunktioner ska innehålla användaridentifieraren. De återstående kolumnerna ska innehålla värden som kännetecknar användaren, till exempel kön, inställningar, plats osv.

    Funktioner hos användare som har betygsatt objekt ignoreras av Score Matchbox Recommender eftersom dessa funktioner redan har lärts in under träningen. Filtrera därför datauppsättningen i förväg så att den endast innehåller kallstartsanvändare eller användare som inte har betygsatt några objekt.

    Varning

    Om modellen tränades utan att använda användarfunktioner kan du inte använda användarfunktioner under bedömning.

  8. (Valfritt) Om du har en datauppsättning med objektfunktioner ansluter du den till objektfunktioner.

    Den första kolumnen i objektfunktionernas datauppsättning måste innehålla objektidentifieraren. De återstående kolumnerna ska innehålla värden som kännetecknar objekten.

    Funktioner i klassificerade objekt ignoreras av Score Matchbox Recommender eftersom dessa funktioner redan har lärts in under träningen. Därför kan du begränsa bedömningsdatamängden till kallstartsobjekt eller objekt som inte har klassificerats av några användare.

    Varning

    Om modellen tränades utan att använda objektfunktioner ska du inte använda objektfunktioner vid bedömning.

  9. Kör experimentet.

Den poängade datauppsättningen som returneras av Score Matchbox Recommender visar en lista över användare som är relaterade till varje användare i indatauppsättningen.

För varje användare som anges i indatauppsättningen innehåller resultatdatauppsättningen en uppsättning relaterade användare.

  • Den första kolumnen innehåller målanvändaren (användaren anges som indata).

  • Ytterligare kolumner genereras som innehåller identifierare för relaterade användare. Antalet ytterligare kolumner beror på det värde som du anger i alternativet Maximalt antal relaterade användare att hitta för en användare.

    Relaterade användare sorteras efter styrkan hos relationen till målanvändaren, med den mest starkt relaterade användaren i kolumnen, Relaterad användare 1.

Hitta relaterade objekt

Genom att förutsäga relaterade objekt kan du generera rekommendationer för användare baserat på objekt som redan har klassificerats.

  1. Lägg till en tränad rekommendationsmodell i experimentet och anslut den till den tränade Matchbox-rekommenderaren. Du måste skapa modellen med hjälp av Train Matchbox Recommender.

  2. Typ av rekommendationsförutsägelse: Välj Relaterade objekt.

  3. Anslut en datauppsättning som innehåller de användare som ska generera förutsägelser. Formatet för den här datauppsättningen beror på om du använder bedömningsmodulen i produktionsläge eller utvärderingsläge.

    • Produktionsläge, med från alla objekt

      Datamängden som poäng ska poängs måste bestå av objekt som du vill hitta relaterade användare för.

      Den första och enda kolumnen ska innehålla objektidentifierarna. Om andra kolumner inkluderas utlöses ett fel. Använd modulen Välj kolumner i datauppsättning för att ta bort onödiga kolumner.

    • Utvärderingsläge med från klassificerade objekt (för modellutvärdering)

      Datamängden som poäng ska bestå av 2–3 kolumner som innehåller användarobjektpar. Den första kolumnen ska innehålla användaridentifierare. Den andra kolumnen ska innehålla objektidentifierare.

      Datamängden kan innehålla en tredje kolumn med klassificeringar (av användaren i kolumn 1 för objektet i kolumn 2), men klassificeringskolumnen ignoreras.

  4. Maximalt antal relaterade objekt som ska sökas efter ett objekt>: Ange ett tal som anger det maximala antalet förutsägelser som du vill ha för varje objekt.

    Standardvärdet är 5, vilket innebär att högst fem relaterade objekt kan returneras, men det kan vara färre än 5.

  5. Om du använder utvärderingsläge (från användare som klassificerade objekt) konfigurerar du följande ytterligare parametrar:

    • Minsta antal objekt som frågeobjektet och det relaterade objektet måste ha klassificerats av gemensamt: Det här värdet anger ett tröskelvärde för rekommendationer. Det tal som du skriver representerar det minsta antalet objekt som har klassificerats av målanvändaren och en relaterad användare. Standardvärdet är 2, vilket innebär att minst två objekt måste ha klassificerats av målanvändaren och den relaterade användaren.

    • Minsta storlek för den relaterade objektpoolen för ett enskilt objekt: Det här värdet styr det minsta antalet liknande objekt som behövs för att skapa en rekommendation. Som standard är värdet 2, vilket innebär att om du har så få som två objekt relaterade till följd av att de har klassificerats av samma användare kan du betrakta dem som relaterade och generera en rekommendation.

  6. (Valfritt). Om du har en datauppsättning med användarfunktioner ansluter du den till Användarfunktioner.

    Den första kolumnen i datauppsättningen med användarfunktioner ska innehålla användaridentifieraren. De återstående kolumnerna ska innehålla värden som kännetecknar användaren, till exempel deras kön, inställningar, plats osv.

    Funktioner hos användare som har betygsatt objekt ignoreras av Score Matchbox Recommender, eftersom dessa funktioner redan har lärts in under träningen. Därför kan du filtrera datauppsättningen i förväg så att den endast innehåller kallstartade användare eller användare som inte har betygsatt några objekt.

    Varning

    Om modellen tränades utan att använda användarfunktioner kan du inte använda användarfunktioner under bedömning.

  7. (Valfritt) Om du har en datauppsättning med objektfunktioner kan du ansluta den till objektfunktioner.

    Den första kolumnen i objektfunktionernas datauppsättning måste innehålla objektidentifieraren. De återstående kolumnerna ska innehålla värden som kännetecknar objektet.

    Funktioner i klassificerade objekt ignoreras av Score Matchbox Recommender eftersom dessa funktioner redan har lärts in under träningen. Därför kan du begränsa bedömningsdatamängden till kallstartsobjekt eller objekt som inte har klassificerats av några användare.

    Varning

    Om modellen tränades utan att använda objektfunktioner ska du inte använda objektfunktioner vid bedömning.

  8. (Valfritt) I ett förutsägelseexperiment kan du använda en femte indataport med namnet Training Dataset (Träningsdatauppsättning) för att ta bort befintliga användare som ingick i modellträningsdata från förutsägelseresultatet.

    Om du vill använda det här filtret ansluter du den ursprungliga träningsdatauppsättningen till indataporten.

  9. Kör experimentet.

Den poängade datauppsättningen som returneras av Score Matchbox Recommender visar en lista över relaterade objekt för varje objekt i indatauppsättningen.

  • Den första kolumnen innehåller identifieraren för målobjektet (objektet anges som indata).

  • Ytterligare kolumner genereras som innehåller identifierare för relaterade objekt. Antalet ytterligare kolumner beror på det värde som du anger i alternativet Maximalt antal relaterade objekt som ska sökas efter ett objekt.

    De relaterade objekten sorteras efter styrkan hos relationen till målobjektet, med det mest starkt relaterade objektet i kolumnen, Relaterat objekt 1.

Teknisk information

Det här avsnittet innehåller svar på några vanliga frågor om hur du använder rekommenderaren för att skapa förutsägelser.

Kallstartade användare och rekommendationer

För att skapa rekommendationer kräver modulen Score Matchbox Recommender normalt samma indata som du använde när du tränade modellen, inklusive ett användar-ID. Det beror på att algoritmen behöver veta om den har lärt sig något om den här användaren under träningen.

Men för nya användare kanske du inte har ett användar-ID, bara vissa användarfunktioner som ålder, kön och så vidare.

Du kan fortfarande skapa rekommendationer för användare som är nya i systemet genom att hantera dem som kallstartade användare. För sådana användare använder rekommendationsalgoritmen inte tidigare historik eller tidigare klassificeringar, endast användarfunktioner.

För förutsägelse definieras en kallstartsanvändare som en användare med ett ID som inte har använts för träning. För att säkerställa att ID:t inte matchar ID:na som används i träningen kan du skapa nya identifierare. Du kan till exempel generera slumpmässiga-ID inom ett angivet intervall eller allokera en serie MED-ID:er i förväg för kallstartsanvändare.

Men om du inte har några samarbetsbaserade filtreringsdata, till exempel en vektor med användarfunktioner, är det bättre att använda en klassificerings- eller regressionstestare.

Produktionsanvändning av Matchbox-rekommenderaren

Om du har experimenterat med Matchbox-rekommenderaren och sedan flyttar modellen till produktion bör du vara medveten om dessa viktiga skillnader när du använder rekommenderaren i utvärderingsläge och i produktionsläge:

  • En utvärdering kräver per definition förutsägelser som kan verifieras mot den sanna verkligheten i en testuppsättning. När du utvärderar rekommenderaren måste den därför endast förutsäga objekt som har klassificerats i testuppsättningen. Detta begränsar nödvändigtvis de möjliga värden som förutsägs.

    Men när du operationaliserar modellen ändrar du vanligtvis förutsägelseläget för att ge rekommendationer baserat på alla möjliga objekt, för att få bästa möjliga förutsägelser. För många av dessa förutsägelser finns det ingen motsvarande grundsanning, så rekommendationens noggrannhet kan inte verifieras på samma sätt som under experimenteringen.

  • Om du inte anger ett användar-ID i produktion och bara anger en funktionsvektor kan du få en lista med alla rekommendationer för alla möjliga användare som svar. Se till att ange ett användar-ID.

    Om du vill begränsa antalet rekommendationer som returneras kan du också ange det maximala antalet objekt som returneras per användare.

  • Det går inte att generera förutsägelser endast för objekt som inte tidigare har klassificerats. Det här är avsiktligt.

    Anledningen är att för att endast rekommendera de objekt som inte har klassificerats behöver rekommenderaren lagra hela träningsdatauppsättningen med modellen, vilket skulle öka din användning av lagringen.

    Om du bara vill rekommendera objekt som inte har setts av användaren kan du begära fler objekt att rekommendera och sedan filtrera bort de klassificerade objekten manuellt.

Kontinuerlig uppdatering av rekommenderaren

Onlineuppdatering (eller kontinuerlig träning) av en rekommendationsmodell stöds för närvarande inte i Machine Learning. Om du vill samla in användarsvar på rekommendationer och använda dem för att förbättra modellen rekommenderar vi att du regelbundet omtränar hela modellen. Inkrementell träning är inte möjligt, men du kan använda ett skjutfönster för träningsdata för att säkerställa att datavolymen minimeras när du använder de senaste data.

Förväntade indata

Namn Typ Description
Tränad Matchbox-rekommenderare ILearner Tränad Matchbox-rekommenderare
Datauppsättning som poäng Datatabell Datauppsättning som poäng
Användarfunktioner Datatabell Datauppsättning som innehåller funktioner som beskriver användare

Dessa data är valfria
Objektfunktioner Datatabell Datauppsättning som innehåller funktioner som beskriver objekt

Dessa data är valfria

Modulparametrar

Name Intervall Typ Standardvärde Description
Typ av rekommendationsförutsägelse Lista Typ av förutsägelse Objektrekommendation Ange vilken typ av förutsägelse som rekommenderaren ska mata ut
Rekommenderat objektval Lista Objektval Från klassificerade objekt (för modellutvärdering) Välj den uppsättning objekt som du vill ge rekommendationer från
Val av relaterad användare Lista Val av användare Från användare som klassificerade objekt (för modellutvärdering) Välj den uppsättning användare som ska användas när du söker efter relaterade objekt
Val av relaterat objekt Lista [Objektval Från klassificerade objekt (för modellutvärdering) Välj den uppsättning objekt som ska användas när du söker efter relaterade objekt

Utdata

Namn Typ Description
Poängpoäng för datauppsättning Datatabell Poängpoäng för datauppsättning

Undantag

Undantag Description
Fel 0022 Undantaget inträffar om antalet valda kolumner i indatauppsättningen inte är lika med det förväntade antalet.
Fel 0036 Undantaget inträffar om flera funktionsvektorer har angetts för en viss användare eller ett visst objekt.
Fel 0013 Undantaget inträffar om det skickas till modul learner har en ogiltig typ.
Fel 0035 Undantaget inträffar om inga funktioner har angetts för en viss användare eller ett visst objekt.
Fel 0053 Undantag inträffar när det inte finns några användarfunktioner eller objekt för Matchbox-rekommendationer.
Fel 0003 Undantag inträffar om en eller flera indata är null eller tomma.

En lista över fel som är specifika för Studio-moduler (klassisk) finns i Machine Learning felkoder.

En lista över API-undantag finns i Machine Learning REST API felkoder.

Se även

Träna Matchbox-rekommenderaren
Utvärdera rekommenderare
Poäng