SVD Önerenini Puanlama
Bu makalede Azure Machine Learning tasarımcısında Score SVD Recommender bileşeninin nasıl kullanılacağı açıklanmaktadır. Tek Değer Ayrıştırma (SVD) algoritmasına dayalı eğitilmiş bir öneri modeli kullanarak tahminler oluşturmak için bu bileşeni kullanın.
SVD önericisi iki farklı tür tahmin oluşturabilir:
İkinci tür tahminleri oluştururken şu modlardan birinde çalışabilirsiniz:
Üretim modu tüm kullanıcıları veya öğeleri dikkate alır. Genellikle bir web hizmetinde kullanılır.
Yalnızca eğitim sırasında görülen kullanıcılar için değil, yeni kullanıcılar için puan oluşturabilirsiniz. Daha fazla bilgi için teknik notlara bakın.
Değerlendirme modu , değerlendirilebilecek azaltılmış bir kullanıcı veya öğe kümesi üzerinde çalışır. Genellikle işlem hattı işlemleri sırasında kullanılır.
SVD önericisi algoritması hakkında daha fazla bilgi için, öneren sistemler için matris faktörizasyon teknikleri araştırma makalesine bakın.
Score SVD Recommender'ı yapılandırma
Bu bileşen, her biri farklı gereksinimlere sahip iki tahmin türünü destekler.
Derecelendirme tahmini
Derecelendirmeleri tahmin ettiğinizde model, eğitim verileri göz önünde bulundurulduğunda kullanıcının belirli bir öğeye nasıl tepki verdiğini hesaplar. Puanlama için giriş verilerinin hem bir kullanıcı hem de puanlanması gereken öğeyi sağlaması gerekir.
İşlem hattınıza eğitilmiş bir öneri modeli ekleyin ve bunu Eğitilmiş SVD önericisi'ne bağlayın. Modeli, Train SVD Recommender bileşenini kullanarak oluşturmanız gerekir.
Öneren tahmin türü için Derecelendirme Tahmini'ne tıklayın. Başka parametre gerekmez.
Tahminde bulunmak istediğiniz verileri ekleyin ve puanlamak için Veri Kümesi'ne bağlayın.
Modelin derecelendirmeleri tahmin etmesi için giriş veri kümesinin kullanıcı öğesi çiftleri içermesi gerekir.
Veri kümesi, birinci ve ikinci sütunlarda kullanıcı öğesi çifti için isteğe bağlı üçüncü bir derecelendirme sütunu içerebilir. Ancak tahmin sırasında üçüncü sütun yoksayılır.
İşlem hattını gönderin.
Derecelendirme tahminleri için sonuçlar
Çıkış veri kümesi üç sütun içerir: kullanıcılar, öğeler ve her giriş kullanıcısı ve öğesi için tahmin edilen derecelendirme.
Kullanıcılar için öneriler
Kullanıcılara öğe önermek için, giriş olarak kullanıcıların ve öğelerin listesini sağlarsınız. Bu verilerden model, mevcut öğeler ve kullanıcılar hakkındaki bilgilerini kullanarak her kullanıcıya uygun bir öğe listesi oluşturur. Döndürülen öneri sayısını özelleştirebilirsiniz. Ayrıca, bir öneri oluşturmak için gereken önceki önerilerin sayısı için bir eşik ayarlayabilirsiniz.
İşlem hattınıza eğitilmiş bir öneri modeli ekleyin ve bunu Eğitilmiş SVD önericisi'ne bağlayın. Modeli, Train SVD Recommender bileşenini kullanarak oluşturmanız gerekir.
Bir kullanıcı listesi için öğe önermek için, Önerilen tahmin türünü Öğe Önerisi olarak ayarlayın.
Önerilen öğe seçimi için, puanlama bileşenini üretimde mi yoksa model değerlendirmesi için mi kullandığınızı belirtin. Şu değerlerden birini seçin:
Tüm Öğeler'den: Bir web hizmetinde veya üretimde kullanmak üzere bir işlem hattı ayarlıysanız bu seçeneği belirleyin. Bu seçenek üretim modunu etkinleştirir. Bileşen, eğitim sırasında görülen tüm öğelerden önerilerde bulunur.
Derecelendirilmiş Öğeler'den (model değerlendirmesi için) : Bir model geliştiriyor veya test ediyorsanız bu seçeneği belirleyin. Bu seçenek değerlendirme modunu etkinleştirir. Bileşen yalnızca giriş veri kümesindeki derecelendirilmiş öğelerden önerilerde bulunur.
Derecelendirilmemiş Öğeler'den (kullanıcılara yeni öğeler önermek için): Bileşenin yalnızca eğitim veri kümesindeki derecelendirilmemiş öğelerden önerilerde bulunmasını istiyorsanız bu seçeneği belirleyin.
Tahminde bulunmak istediğiniz veri kümesini ekleyin ve puanlamak için Veri Kümesi'ne bağlayın.
Tüm Öğelerden için giriş veri kümesi bir sütundan oluşmalıdır. Öneride bulunacak kullanıcıların tanımlayıcılarını içerir.
Veri kümesinde fazladan iki öğe tanımlayıcısı ve derecelendirme sütunu bulunabilir, ancak bu iki sütun yoksayılır.
Derecelendirilmiş Öğelerden için (model değerlendirmesi için) giriş veri kümesi kullanıcı-öğe çiftlerinden oluşmalıdır. İlk sütun kullanıcı tanımlayıcısını içermelidir. İkinci sütun, ilgili öğe tanımlayıcılarını içermelidir.
Veri kümesi üçüncü bir kullanıcı öğesi derecelendirme sütunu içerebilir, ancak bu sütun yoksayılır.
Eşitlenmemiş Öğelerden (kullanıcılara yeni öğeler önermek için) için, giriş veri kümesi kullanıcı öğesi çiftlerinden oluşmalıdır. İlk sütun kullanıcı tanımlayıcısını içermelidir. İkinci sütun, ilgili öğe tanımlayıcılarını içermelidir.
Veri kümesi üçüncü bir kullanıcı öğesi derecelendirme sütunu içerebilir, ancak bu sütun yoksayılır.
Kullanıcıya önerecek en fazla öğe sayısı: Her kullanıcı için döndürülecek öğe sayısını girin. Varsayılan olarak, bileşen beş öğe önerir.
Kullanıcı başına öneri havuzunun en küçük boyutu: Önceki öneri sayısını gösteren bir değer girin. Varsayılan olarak, bu parametre 2 olarak ayarlanır, yani öğeyi en az iki kullanıcı daha önermiş olabilir.
Bu seçeneği yalnızca değerlendirme modunda puanlama yaptığınız durumlarda kullanın. Tüm Öğelerden veya Eşitlenmemiş Öğelerden seçeneğini belirlerseniz (kullanıcılara yeni öğeler önermek için) bu seçenek kullanılamaz.
Derecelendirilmemiş Öğelerden için (kullanıcılara yeni öğeler önermek için) tahmin sonuçlarından derecelendirilmiş öğeleri kaldırmak için Eğitim Verileri adlı üçüncü giriş bağlantı noktasını kullanın.
Bu filtreyi uygulamak için özgün eğitim veri kümesini giriş bağlantı noktasına bağlayın.
İşlem hattını gönderin.
Öğe önerisinin sonuçları
Score SVD Recommender tarafından döndürülen puanlanmış veri kümesi, her kullanıcı için önerilen öğeleri listeler:
- İlk sütun kullanıcı tanımlayıcılarını içerir.
- Kullanıcıya önerecek öğe sayısı üst sınırı için ayarladığınız değere bağlı olarak bir dizi ek sütun oluşturulur. Her sütun önerilen bir öğe içerir (tanımlayıcıya göre). Öneriler, kullanıcı öğesi benzitesine göre sıralanır. En yüksek benanslı öğe, Öğe 1 sütununa konur.
Teknik notlar
SVD önericisi ile bir işlem hattınız varsa ve modeli üretime taşırsanız, değerlendirme modunda öneriyi kullanmakla üretim modunda kullanmak arasında önemli farklar olduğunu unutmayın.
Değerlendirme, tanım gereği, bir test kümesinde zemin gerçeğine karşı doğrulanabilir tahminler gerektirir. Öneriyi değerlendirirken yalnızca test kümesinde derecelendirilmiş öğeleri tahmin etmesi gerekir. Bu, tahmin edilen olası değerleri kısıtlar.
Modeli kullanıma hazır hale getirdiğinizde, en iyi tahminleri elde etmek için tahmin modunu genellikle tüm olası öğelere göre önerilerde bulunmak üzere değiştirirsiniz. Bu tahminlerin çoğunda buna karşılık gelen bir gerçek yoktur. Bu nedenle önerinin doğruluğu işlem hattı işlemleri sırasında olduğu gibi doğrulanamaz.
Sonraki adımlar
Bkz. Azure Machine Learning için kullanılabilen bileşenler kümesi.