Aracılığıyla paylaş

Puan Eşleşme Kutusu Önerici

  • Makale

Önemli

Machine Learning Stüdyosu (klasik) desteği 31 Ağustos 2024'te sona erecektir. Bu tarihe kadar Azure Machine Learning'e geçmenizi öneririz.

1 Aralık 2021'den başlayarak artık yeni Machine Learning Stüdyosu (klasik) kaynakları oluşturamayacaksınız. 31 Ağustos 2024'e kadar mevcut Machine Learning Stüdyosu (klasik) kaynaklarını kullanmaya devam edebilirsiniz.

ML Stüdyosu (klasik) belgeleri kullanımdan kaldırılacak ve gelecekte güncelleştirilmeyecektir.

Matchbox öneriyi kullanarak bir veri kümesi için tahminleri puanlar

Kategori: Machine Learning / Puan

Not

Uygulama: Machine Learning Studio (yalnızca klasik)

Benzer sürükle ve bırak modülleri tasarımcıda da Azure Machine Learning kullanılabilir.

Modüle genel bakış

Bu makalede, Microsoft Research'in Matchbox algoritmasını temel alan eğitilmiş bir öneri modelini temel alan tahminler oluşturmak için Machine Learning Studio'daki (klasik) Matchbox Öneri puanla modülünü nasıl kullanabileceğiniz açıklanmıştır.

Matchbox önerici dört farklı türde tahminler üretebilirsiniz:

İkinci üç tür tahmin oluştururken üretim modunda veya değerlendirme modundaçalışabilirsiniz.

  • Üretim modu tüm kullanıcıları veya öğeleri dikkate almaktadır ve genellikle bir web hizmette kullanılır.

    Yalnızca eğitim sırasında görülen kullanıcılar için değil, yeni kullanıcılar için puan oluşturabilirsiniz. Daha fazla bilgi için bu bölüme bakın.

  • Değerlendirme modu , değerlendirilecek azaltılmış bir kullanıcı veya öğe kümesi üzerinde çalışır ve genellikle deneme sırasında kullanılır.

İpucu

Bu öğreticide .NET geliştirme ekibinden bir öneri sistemi geliştirme deneyimi hakkında 20.000'den fazla bilgi edinin. Örnek kod ve bir uygulamanın nasıl çağrıl Machine Learning tartışma içerir.

Machine Learning kullanarak .NET uygulamaları için öneri altyapısı Machine Learning

Matchbox önerici hakkında daha fazla bilgi

Öneri sistemi oluşturmanın amacı, sistemin "kullanıcılarına" bir veya daha fazla "öğe" önerisinde bulunarak. Öğe örnekleri arasında film, restoran, kitap veya şarkı olabilir. Kullanıcı bir kişi, kişi grubu veya öğe tercihlerine sahip başka bir varlık olabilir.

Önerilen sistemlere yönelik iki temel yaklaşım vardır. Birincisi, hem kullanıcılar hem de öğeler için özellikleri kullanan içerik tabanlı yaklaşımdır. Kullanıcılar yaş ve cinsiyet gibi özelliklerle, öğeler ise yazar ve üretici gibi özelliklerle açıklanmıştır. İçerik tabanlı öneri sistemlerinin tipik örnekleri sosyal eşleştirme sitelerinde bulunabilir. İkinci yaklaşım, yalnızca kullanıcıların ve öğelerin tanımlayıcılarını kullanan ve kullanıcılar tarafından öğelere verilen derecelendirmelerden (seyrek) bir matristen bu varlıklar hakkında örtülü bilgiler alan işbirliğine dayalı filtrelemedir. Bir kullanıcı hakkında, derecelendirilen öğelerden ve aynı öğeleri derecelendirilmiş diğer kullanıcılardan öğrenebilirsiniz.

Matchbox önerici, işbirliğine dayalı filtrelemeyi içerik tabanlı bir yaklaşımla birleştirir. Bu nedenle karma bir öneri olarak kabul edilir. Bir kullanıcı sistemde görece yeni olduğunda, tahminler kullanıcıyla ilgili özellik bilgilerden kullanılarak iyi bilinen "soğuk başlangıç" sorununu ele alan geliştirilmiştir. Ancak belirli bir kullanıcıdan yeterli sayıda derecelendirme olduktan sonra, tek başına özelliklerine değil, belirli derecelendirmelerine göre bunlar için tamamen kişiselleştirilmiş tahminler yapmak mümkündür. Bu nedenle, içerik tabanlı önerilerden işbirliğine dayalı filtrelemeye dayalı önerilere sorunsuz bir geçiş vardır. Kullanıcı veya öğe özellikleri kullanılabilir değilken bile Matchbox işbirliğine dayalı filtreleme modunda çalışmaya devam ediyor.

Matchbox önerisini ve temel alınan olasılıksal algoritma hakkında daha fazla ayrıntıyı ilgili araştırma incelemesinde bulunabilir:

Örnekler

Bir öneri altyapısından puan oluşturma örnekleri için bkz. Azure Yapay Zeka Galerisi.

  • Öneriler Her Yerde: Bu blog gönderisi, çok sayıda görsel yardımcı ile önerilen sistemlere üst düzey bir giriş sağlar.

Puan Eşleşme Kutusu Önerici'yi yapılandırma

Bu modül, her biri farklı gereksinimlere sahip farklı öneri türlerini destekler. Sahip olduğu veri türü ve oluşturmak istediğiniz öneri türü için bağlantıya tıklayın.

Derecelendirmeleri tahmin etmek

Derecelendirmeleri tahmin etmek için model, eğitim verilerine göre belirli bir kullanıcının belirli bir öğeye nasıl tepki vereceğini hesaplar. Bu nedenle puanlama için giriş verileri hem kullanıcı hem de puanlama için öğe sağlansa iyi olur.

  1. Denemenize eğitilmiş bir öneri modeli ekleyin ve bunu Eğitilmiş Matchbox önericiye bağlama. Train Matchbox Recommender kullanarak modeli oluşturmanız gerekir.

  2. Öneri tahmini tür: DerecelendirmeTahmini'ne seçin. Başka parametre gerekmez.

  3. Tahminde bulunan verileri ekleyin ve puan almak için Veri Kümesi'ne bağlayın.

    Derecelendirmeleri tahmin etmek için giriş veri kümesi kullanıcı öğesi çiftlerini içermeli.

    Veri kümesi, birinci ve ikinci sütunlarda kullanıcı öğesi çifti için isteğe bağlı üçüncü bir derecelendirme sütunu içerebilir, ancak tahmin sırasında üçüncü sütun yoksayılır.

  4. (İsteğe bağlı). Kullanıcı özelliklerine sahip bir veri kümeye sahipsiniz, bunu Kullanıcı özelliklerine bağlayabilirsiniz.

    Kullanıcı özelliklerinin veri kümesi, ilk sütundaki kullanıcı tanımlayıcısını içermeli. Kalan sütunlarda cinsiyet, tercihler, konum vb. gibi kullanıcıları ifade etmek için değerlerin olması gerekir.

    Öğeleri derecelendirilmiş kullanıcıların özellikleri, eğitim sırasında zaten öğrenilen Puan Eşleşme Kutusu Önericisi tarafından yoksayılır. Bu nedenle, veri kümenizi yalnızca soğuk başlangıç kullanıcılarını veya herhangi bir öğe derecelendirmesi yapmayan kullanıcıları içerecek şekilde önceden filtrele.

    Uyarı

    Model kullanıcı özellikleri olmadan eğitilse puanlama sırasında kullanıcı özellikleri ek olamaz.

  5. Öğe özelliklerine sahip bir veri kümeye sahipsanız, öğe özelliklerine bağlanabilirsiniz.

    Öğe özellikleri veri kümesi, ilk sütunda bir öğe tanımlayıcısı içermeli. Kalan sütunlar, öğeleri karakterize alan değerler içermeli.

    Derecelendirilmiş öğelerin özellikleri, eğitim sırasında zaten öğrenilen Puan Eşleşme Kutusu Önericisi tarafından yoksayılır. Bu nedenle, puanlama veri kümenizi herhangi bir kullanıcı tarafından derecelendirilen soğuk başlangıç öğeleri veya öğelerle kısıtla.

    Uyarı

    Model öğe özellikleri olmadan eğitilse puanlama sırasında öğe özellikleri ek olamaz.

  6. Tahmin sonuçlarından derecelendirilmiş öğeleri kaldırmak için Eğitim Veri Kümesi adlı isteğe bağlı beşinci giriş bağlantı noktasını kullanın.

    Bu filtreyi uygulamak için özgün eğitim veri kümesi giriş bağlantı noktasına bağlanabilirsiniz.

  7. Denemeyi çalıştırın.

Derecelendirme tahminlerinin sonuçları

Çıktı veri kümesi, her giriş kullanıcısı ve öğesi için kullanıcı, öğe ve tahmin edilen derecelendirmeyi içeren üç sütun içerir.

Ayrıca, puanlama sırasında aşağıdaki değişiklikler uygulanır:

  • Kullanıcı veya öğe özellik sütunlarında eksik değerler otomatik olarak eksik olmayan eğitim kümesi değerleri moduyla değiştirilir.

  • Tüm kullanıcı ve öğe özellikleri, eğitimde görülen en yüksek mutlak değerlere göre yeniden ölçekler.

  • Özellik değerlerine, bunların sparsitesini korumak için hiçbir çeviri uygulanmaz.

  • Dize değerli özellikler, ikili değerli gösterge özellikleri kümesine dönüştürülür.

Öner

Kullanıcılar için öğeleri önerin, giriş olarak kullanıcıların ve öğelerin bir listesini sağlar. Model, bu verilerden mevcut öğeler ve kullanıcılar hakkında bilgi sahibi olarak her bir kullanıcıya olası bir çekicilik ile bir öğe listesi oluşturmak için kullanır. Döndürülen önerilerin sayısını özelleştirebilir ve öneri oluşturmak için gereken önceki önerilerin sayısı için bir eşik ayarlayabilirsiniz.

  1. Denemenize eğitilen bir öneri modeli ekleyin ve eğitimli Matchbox öneren'e bağlayın. Modeli Matchbox önerenkullanarak oluşturmanız gerekir.

  2. Belirli bir kullanıcı listesi için öğeleri önermek üzere öneren tahmin türünüöğe önerisineayarlayın.

  3. Önerilen öğe seçimi: şu değerlerden birini seçerek üretimde Puanlama modülünü mi yoksa model değerlendirmesi için mi kullandığınızı belirtin:

    • Derecelendirilen öğelerden (model değerlendirmesi için): bir modeli geliştirmekte veya test ediyorsanız bu seçeneği belirleyin. Bu seçenek değerlendirme modunusağlar ve modül yalnızca, derecelendirilen giriş veri kümesindeki öğelerden öneriler sağlar.

    • Tüm öğeler: Web hizmetinde veya üretimde kullanmak üzere bir deneme ayarlıyorsanız bu seçeneği belirleyin. Bu seçenek Üretim modunusağlar ve modül eğitim sırasında görülen tüm öğelerden öneriler sağlar.

  4. Tahmin yapmak istediğiniz veri kümesini ekleyin ve skor Için veri kümesinebağlayın.

    • Seçeneğini belirlerseniz, tüm öğelerdengiriş veri kümesi, öneri yapılacak Kullanıcı tanımlayıcılarını içeren bir ve yalnızca bir sütundan oluşmalıdır.

      Veri kümesi birden fazla sütun içeriyorsa, bir hata oluşur. Giriş veri kümesinden ek sütunları kaldırmak için veri kümesindeki sütunları seç modülünü kullanın.

    • Derecelendirilen öğelerden (model değerlendirmesi için)seçeneğini belirlerseniz, giriş veri kümesi, Kullanıcı-öğe çiftlerindenoluşmalıdır. İlk sütun Kullanıcı tanımlayıcısını içermelidir. İkinci sütun karşılık gelen öğe tanımlayıcılarını içermelidir.

      Veri kümesi, Kullanıcı-öğe derecelendirmelerinin üçüncü sütununu içerebilir, ancak bu sütun yok sayılır.

  5. (İsteğe bağlı). Kullanıcı özellikleriveri kümeniz varsa, bunu Kullanıcı özelliklerinebağlayın.

    Kullanıcı özellikleri veri kümesindeki ilk sütun kullanıcı tanımlayıcısını içermelidir. Kalan sütunlar, kullanıcının cinsiyeti, tercihleri, konumu gibi özellikleri niteleyen değerler içermelidir.

    Öğeleri derecelendirmiş kullanıcıların özellikleri, bu özellikler eğitim sırasında zaten öğrenildiği için Score Matchbox önerentarafından yok sayılır. Bu nedenle, veri kümenizi yalnızca soğuk-start kullanıcılarınıveya herhangi bir öğeyi derecelendirmeden kullanıcıları içerecek şekilde önceden filtreleyebilirsiniz.

    Uyarı

    Model Kullanıcı özelliklerini kullanmadan eğitilolduysa, Puanlama sırasında özellikleri Uygula özelliğini kullanamazsınız.

  6. Seçim Öğe özelliklerininbir veri kümeniz varsa, bunu öğe özelliklerinebağlayabilirsiniz.

    Öğe özellikleri veri kümesindeki ilk sütun, öğe tanımlayıcısı içermelidir. Kalan sütunlar öğeleri niteleyen değerler içermelidir.

    Bu özellikler eğitim sırasında zaten öğrenildiği için, derecelendirilen öğelerin özellikleri Score Matchbox önerentarafından yok sayılır. Bu nedenle, Puanlama veri kümenizi soğuk başlangıç öğeleriveya herhangi bir kullanıcı tarafından Derecelendirilmedi olan öğeler ile kısıtlayabilirsiniz.

    Uyarı

    Model, öğe özelliklerini kullanmadan eğitilen, Puanlama sırasında öğe özelliklerini kullanmayın.

  7. Bir kullanıcı için önerilen en fazla öğe sayısı: her bir kullanıcı için döndürülecek öğe sayısını yazın. Varsayılan olarak, 5 öğe önerilir.

  8. Kullanıcı başına öneri havuzunun en küçük boyutu: önceki önerilerin kaç tane gerektiğini belirten bir değer yazın. Varsayılan olarak, bu parametre 2 olarak ayarlanır, yani öğe, en az iki kullanıcı tarafından önerilmelidir.

    Bu seçenek yalnızca değerlendirme modunda puandıysanız kullanılmalıdır. Tüm öğeler' i seçerseniz bu seçenek kullanılamaz.

  9. Denemeyi çalıştırın.

Öğe önerisi sonuçları

Score Matchbox öneren tarafından döndürülen puanlanmış veri kümesi, her kullanıcı için önerilen öğeleri listeler.

  • İlk sütunda kullanıcı tanımlayıcıları bulunur.
  • Bir kullanıcı için önerilen en fazla öğe sayısıiçin belirlediğiniz değere bağlı olarak, bir dizi ek sütun oluşturulur. Her sütunda önerilen bir öğe (tanımlayıcıya göre) bulunur. Öneriler, en çok benzeşim, öğe 1olan öğe ile Kullanıcı öğesi benzeşimi tarafından sıralanır.

Uyarı

Bu puanlanmış veri kümesi, değerlendir öneren modülü kullanılarak değerlendirilemiyor.

İlgili kullanıcıları bul

İlgili kullanıcıları bulma seçeneği, "sizin gibi kişileri" öner, ya da diğer tahmin türlerinin temelini oluşturan benzer bir Kullanıcı havuzu oluşturuyorsanız faydalıdır.

  1. Denemenize eğitilen bir öneri modeli ekleyin ve eğitimli Matchbox öneren'e bağlayın. Modeli Matchbox önerenkullanarak oluşturmanız gerekir.

  2. Öneren tahmin türü: ilgili kullanıcılarıseçin.

  3. İlgili Kullanıcı seçimi: Puanlama için modeli nasıl kullanacağınızı belirtin ve puanları temel alacak olan Kullanıcı havuzunu aşağıdaki gibi belirtin:

    • Tüm kullanıcılardan: Web hizmetinde veya üretimde kullanmak üzere bir deneme ayarlıyorsanız veya yeni kullanıcılar için tahmine dayalı hale getirmeniz gerekiyorsa bu seçeneği belirleyin. Bu seçenek Üretim modunusunar ve modül, yalnızca eğitim sırasında görülen kullanıcılara ilişkin öneriyi temel alır.

    • Öğeleri dereceli kullanıcılardan (model değerlendirmesi için): bir modeli geliştirmekte veya test ediyorsanız bu seçeneği belirleyin. Bu seçenek değerlendirme modunusunar ve model, bazı ortak öğeleri derecelendirmeden test kümesindeki kullanıcılara önerilerini dayandırır.

  4. tahmin oluşturulacak kullanıcıları içeren bir veri kümesi Bağlan. Bu veri kümesinin biçimi, üretim modunda veya değerlendirme modunda Puanlama modülünü kullanıp kullanmayacağınızı bağlı olarak değişir.

    • Üretim modu, tüm öğelerden kullanma

      Skor veri kümesi, ilgili kullanıcıları bulmak istediğiniz kullanıcılardan oluşmalıdır. İlk ve tek sütun Kullanıcı tanımlayıcılarını içermelidir. Diğer sütunlar dahil edilse bir hata oluşur. Gereksiz sütunları kaldırmak için veri kümesindeki sütunları seçme modülünü kullanın.

    • Değerlendirme modu, derecelendirmeden kullanılan öğeler (model değerlendirmesi için)

      Skor veri kümesi, Kullanıcı öğesi çiftlerini içeren 2-3 sütundan oluşmalıdır. İlk sütun Kullanıcı tanımlayıcıları içermelidir. İkinci sütun öğe tanımlayıcıları içermelidir. Veri kümesi, bir üçüncü Derecelendirme sütunu içerebilir (Kullanıcı tarafından, sütun 2 ' deki öğe için sütun 1 ' de), ancak derecelendirmeler sütunu yok sayılır.

  5. Bir kullanıcı için bulunacak en fazla kullanıcı sayısı: her bir kullanıcı için istediğiniz tahmin sayısını belirten bir sayı yazın. Varsayılan değer 5 ' tir. Bu, en fazla beş ilgili kullanıcının geri dönebileceği anlamına gelir ancak bazı durumlarda 5 ' ten az olabilir.

  6. Değerlendirme modunda (öğeleri dereceli kullanıcılardan) şu ek parametreleri yapılandırın:

    • Sorgu kullanıcısı ve ilgili kullanıcının ortak olarak derecelendirilmesine sahip olması gereken en az öğe sayısı: Bu değer, öneriler için bir eşik ayarlar. Yazdığınız sayı, hedef kullanıcılarınızın ve potansiyel ilgili kullanıcının derecelendirilme gereken en az öğe sayısını temsil eder. Varsayılan değer 2 ' dir, yani en az iki öğe, her iki kullanıcı tarafından da derecelendirilmelidir.

    • Tek bir kullanıcı için ilgili Kullanıcı havuzunun en küçük boyutu: Bu değer, bir öneri oluşturmak için gereken en düşük benzer kullanıcı sayısını denetler. Varsayılan olarak, değer 2 ' dir; yani aynı öğeleri derecelendirmeden yalnızca iki kullanıcıla ilgili olan iki kullanıcı varsa, ilgili kişileri göz önünde bulundurarak bir öneri oluşturabilirsiniz.

  7. (İsteğe bağlı). Kullanıcı özellikleri veri kümeniz varsa, bunu Kullanıcı özelliklerinebağlayın.

    Kullanıcı özellikleri veri kümesindeki ilk sütun kullanıcı tanımlayıcısını içermelidir. Kalan sütunlar, kullanıcıyı niteleyen (cinsiyet, Tercihler, konum vb.) değerleri içermelidir.

    Bu özellikler eğitim sırasında zaten öğrenildiği için, öğeleri derecelendirmiş kullanıcıların özellikleri Score Matchbox öneren tarafından yok sayılır. Bu nedenle, veri kümenizi yalnızca soğuk-start kullanıcılarınıveya herhangi bir öğeyi derecelendirmeden kullanıcıları içerecek şekilde önceden filtreleyin.

    Uyarı

    Model Kullanıcı özelliklerini kullanmadan eğitilolduysa, Puanlama sırasında kullanıcı özelliklerini uygulayamazsınız.

  8. Seçim Öğe özelliklerinin bir veri kümeniz varsa, öğeyi öğe özelliklerinebağlayın.

    Öğe özellikleri veri kümesindeki ilk sütun, öğe tanımlayıcısı içermelidir. Kalan sütunlar öğeleri niteleyen değerler içermelidir.

    Bu özellikler eğitim sırasında zaten öğrenildiği için, derecelendirilen öğelerin özellikleri Score Matchbox öneren tarafından yok sayılır. Bu nedenle, Puanlama veri kümenizi soğuk başlangıç öğeleriveya herhangi bir kullanıcı tarafından derecelendirilmemiş öğeler ile kısıtlayabilirsiniz.

    Uyarı

    Model, öğe özelliklerini kullanmadan eğitilen, Puanlama sırasında öğe özelliklerini kullanmayın.

  9. Denemeyi çalıştırın.

Score Matchbox öneren tarafından döndürülen puanlanmış veri kümesi, giriş veri kümesindeki her kullanıcıyla ilgili kullanıcıları listeler.

Giriş veri kümesinde belirtilen her bir kullanıcı için, sonuç veri kümesi ilgili bir kullanıcı kümesi içerir.

  • İlk sütun hedef kullanıcının tanımlayıcısını içerir (girdi olarak belirtilen kullanıcı).

  • İlgili kullanıcıların tanımlayıcılarını içeren ek sütunlar oluşturulur. Ek sütunların sayısı, seçeneğinde ayarladığınız değere, bir kullanıcı için bulunacak en fazla ilgili kullanıcı sayısınabağlıdır.

    İlgili kullanıcılar, sütununda ilgili Kullanıcı 1' deki en güçlü ilgili kullanıcıyla, hedef kullanıcıyla ilişkinin gücüne göre sıralanır.

İlgili öğeleri bulma

İlgili öğeleri tahmin etmekle, daha önce derecelendirilmiş öğelere göre kullanıcılar için öneriler üretebilirsiniz.

  1. Denemenize eğitilmiş bir öneri modeli ekleyin ve bunu Eğitilmiş Matchbox önericiye bağlama. Train Matchbox Recommender kullanarak modeli oluşturmanız gerekir.

  2. Öneri tahmini tür: İlgiliÖğeler'i seçin.

  3. Bağlan oluşturması gereken kullanıcıları içeren bir veri kümesi içerir. Bu veri kümesi biçimi, puanlama modülünü üretim modunda mı yoksa değerlendirme modunda mı kullandığınıza bağlıdır.

    • Üretim modu, Tüm Öğelerden kullanma

      Puanlandırma veri kümesi, ilgili kullanıcıları bulmak istediğiniz öğelerden oluşur.

      İlk ve tek sütun öğe tanımlayıcılarını içermeli. Diğer sütunlar dahil edilirse bir hata ortaya çıkar. Gereksiz sütunları kaldırmak için Veri Kümesinde Sütunları Seçme modülünü kullanın.

    • Değerlendirme modu, Derecelendirilen Öğelerden kullanma (model değerlendirmesi için)

      Puanlandırılan veri kümesi, kullanıcı öğesi çiftlerini içeren 2-3 sütundan oluşur. İlk sütunda kullanıcı tanımlayıcıları olmalıdır. İkinci sütunda öğe tanımlayıcıları olmalıdır.

      Veri kümesi, üçüncü bir derecelendirme sütunu içerebilir (sütun 2'de yer alan öğe için sütun 1'de kullanıcı tarafından) ancak derecelendirme sütunu yoksayılır.

  4. Bir öğe için bulmak istediğiniz en fazla ilgili öğe sayısı>: Her öğe için istediğiniz en fazla tahmin sayısını belirten bir sayı yazın.

    Varsayılan değer 5'tir, yani en fazla beş ilgili öğe döndürülebilirsiniz, ancak 5'ten az olabilir.

  5. Değerlendirme modunu kullanıyorsanız (Derecelendirilmiş Öğelere Sahip Kullanıcılardan), şu ek parametreleri yapılandırabilirsiniz:

    • Sorgu öğesinin ve ilgili öğenin ortak olarak derecelendirilmiş olması gereken minimum öğe sayısı: Bu değer, öneriler için bir eşik ayarlar. Yazmanız gereken sayı, hedef kullanıcı ve bazı ilgili kullanıcılar tarafından derecelendirilmiş olan minimum öğe sayısını temsil eder. Varsayılan değer 2'dir, yani en azından iki öğenin hedef kullanıcı ve ilgili kullanıcı tarafından derecelendirilmiş olması gerekir.

    • Tek bir öğe için ilgili öğe havuzunun en küçük boyutu: Bu değer, öneri oluşturmak için gereken en düşük benzer öğe sayısını kontrol eder. Varsayılan olarak, değer 2'dir. Başka bir ifadeyle, aynı kullanıcılar tarafından derecelendirilmiş olmasıyla ilgili iki öğe kadar az öğeniz varsa bunları ilgili olarak değerlendirebilirsiniz ve bir öneride bulunabilirsiniz.

  6. (İsteğe bağlı). Kullanıcı özelliklerine sahip bir veri kümeye sahipsiniz, bunu Kullanıcı özelliklerine bağlayabilirsiniz.

    Kullanıcı özellikleri veri kümesinde ilk sütun kullanıcı tanımlayıcısını içermeli. Kalan sütunlarda kullanıcının cinsiyeti, tercihleri, konumu vb. gibi karakterlerini ifade etmek için değerlerin olması gerekir.

    Öğeleri derecelendirilmiş kullanıcıların özellikleri, eğitim sırasında zaten öğrenilen Puan Eşleşme Kutusu Önericisi tarafından yoksayılır. Bu nedenle, veri kümenizi yalnızca soğuk başlangıç kullanıcılarını veya herhangi bir öğe derecelendirmesi yapmayan kullanıcıları içerecek şekilde önceden filtreleyebilirsiniz.

    Uyarı

    Model kullanıcı özellikleri olmadan eğitilse puanlama sırasında kullanıcı özelliklerini uygulayamazsiniz.

  7. (İsteğe bağlı) Öğe özelliklerine sahip bir veri kümeye sahipsanız, öğe özelliklerine bağlanabilirsiniz.

    Öğe özellikleri veri kümesinde ilk sütun öğe tanımlayıcısını içermeli. Kalan sütunlar, öğeyi karakterize alan değerler içermeli.

    Puanlanan öğelerin özellikleri Puan Eşleşme Kutusu Önericisi tarafından yoksayılır çünkü bu özellikler eğitim sırasında zaten öğrenildi. Bu nedenle, puanlama veri kümenizi herhangi bir kullanıcı tarafından derecelendirilen soğuk başlangıç öğeleri veya öğelerle kısıtabilirsiniz.

    Uyarı

    Model öğe özellikleri olmadan eğitilse puanlama için öğe özelliklerini kullanma.

  8. (İsteğe bağlı) Tahmine dayalı bir denemede, model eğitim verilerine dahil edilen mevcut kullanıcıları tahmin sonuçlarından kaldırmak için Eğitim Veri Kümesi adlı beşinci bir giriş bağlantı noktasını kullanabilirsiniz.

    Bu filtreyi uygulamak için özgün eğitim veri kümesi giriş bağlantı noktasına bağlanabilirsiniz.

  9. Denemeyi çalıştırın.

Puan Eşleşme Kutusu Önericisi tarafından döndürülen puanlı veri kümesi, giriş veri kümesinde her öğe için ilgili öğeleri listeler.

  • İlk sütun, hedef öğenin tanımlayıcısını (giriş olarak sağlanan öğe) içerir.

  • İlgili öğelerin tanımlayıcılarını içeren ek sütunlar oluşturulur. Ek sütun sayısı, bir öğe için bulmak istediğiniz en fazla ilgili öğe sayısı seçeneğinde ayar seçtiğiniz değere bağlıdır.

    İlgili öğeler, hedef öğeyle olan ilişkinin gücüne göre sıralır ve ilgili Öğe 1 sütunundaki en güçlü ilgili öğe olur.

Teknik notlar

Bu bölüm, tahmin oluşturmak için öneriyi kullanma hakkında sık sorulan bazı soruların yanıtlarını içerir.

Soğuk başlangıç kullanıcıları ve öneriler

Genellikle öneriler oluşturmak için Score Matchbox Recommender modülü, kullanıcı kimliği dahil olmak üzere modeli eğitken kullanılan girişlerin aynısını gerektirir. Bunun nedeni, algoritmanın eğitim sırasında bu kullanıcı hakkında bir şeyler öğrendiğini bilmek zorunda olmasıdır.

Ancak, yeni kullanıcılar için bir kullanıcı kimliğine sahip değil, yalnızca yaş, cinsiyet gibi bazı kullanıcı özelliklerine sahip olabilirsiniz.

Yine de sisteminize yeni yeni sahip kullanıcılar için öneriler oluşturabilir, bunları soğuk başlangıç kullanıcıları olarak işebilirsiniz. Bu tür kullanıcılar için öneri algoritması geçmiş veya önceki derecelendirmeleri kullanmaz, yalnızca kullanıcı özelliklerini kullanır.

Tahmin amacıyla, soğuk başlatma kullanıcısı, eğitim için kullanılmadı kimliğine sahip bir kullanıcı olarak tanımlanır. Kimliklerin eğitimde kullanılan kimliklerle eşleşmey olduğundan emin olmak için yeni tanımlayıcılar oluşturabilirsiniz. Örneğin, belirli bir aralıkta rastgele kimlikler oluşturabilirsiniz veya önceden soğuk başlangıç kullanıcıları için bir dizi kimlik ayırabilirsiniz.

Ancak, kullanıcı özelliklerinin vektörü gibi işbirliğine dayalı filtreleme verileriniz yoksa, sınıflandırma veya regresyon öğrenicisini kullanmak daha iyidir.

Matchbox önericinin üretim kullanımı

Matchbox önerisini deneme yaptı ve ardından modeli üretime taşımayı tamamladıysanız, değerlendirme modunda ve üretim modunda öneriyi kullanırken bu önemli farklılıklara dikkat edin:

  • Değerlendirme, tanım gereği, bir test kümesinde temel gerçeklere karşı doğrulanmayacak tahminler gerektirir. Bu nedenle, öneriyi değerlendirirken yalnızca test kümesinde derecelendirilmiş öğeleri tahmin etmek gerekir. Bu, tahmin edilen olası değerleri mutlaka kısıtlar.

    Ancak modeli çalışır durumdayken, en iyi tahminleri almak için tahmin modunu genellikle tüm olası öğelere göre önerilerde bulunacak şekilde değiştirirsiniz. Bu tahminlerin çoğunda buna karşılık gelen bir gerçek yoktur, bu nedenle önerinin doğruluğu deneme sırasında olduğu gibi doğrulanamaz.

  • Üretimde bir kullanıcı kimliği ve yalnızca bir özellik vektörü sağlasanız, tüm olası kullanıcılar için tüm önerilerin bir listesini yanıt olarak eldeabilirsiniz. Bir kullanıcı kimliği sağlamayı emin olun.

    Döndürülen öneri sayısını sınırlamak için kullanıcı başına döndürülen en fazla öğe sayısını da belirtebilirsiniz.

  • Yalnızca daha önce derecelendirilen öğeler için tahminler oluşturmak mümkün değildir. Bu tasarım gereğidir.

    Bunun nedeni, yalnızca derecelendirilemeyen öğeleri önerenin modelle eğitim veri kümesi tamamını depolaması ve bu da depolama alanı kullanımınızı artırmasıdır.

    Yalnızca kullanıcınız tarafından görüleni öğeler önerilsin, önerilsin diye daha fazla öğe talep edebilirsiniz ve ardından derecelendirilmiş olanları el ile filtreleyebilirsiniz.

Önerinin sürekli güncelleştirmesi

Bir öneri modelinin çevrimiçi olarak güncelleştiriliyor (veya sürekli eğitimi) şu anda Machine Learning. Önerilere kullanıcı yanıtlarını yakalamak ve modeli geliştirmek için bunları kullanmak için tam modeli düzenli aralıklarla yeniden eğitmanızı öneririz. Artımlı eğitim mümkün değildir, ancak en son veriler kullanılırken veri hacminin en aza indirilmesi için eğitim verilerine kayan bir pencere uygulayabilirsiniz.

Beklenen girişler

Ad Tür Description
Eğitilen Matchbox önerici ILearner Eğitilen Matchbox önerici
Puan için veri kümesi Veri Tablosu Puan için veri kümesi
Kullanıcı özellikleri Veri Tablosu Kullanıcıları açıklayan özellikler içeren veri kümesi

Bu veriler isteğe bağlıdır
Öğe özellikleri Veri Tablosu Öğeleri açıklayan özellikler içeren veri kümesi

Bu veriler isteğe bağlıdır

Modül parametreleri

Name Aralık Tür Varsayılan Description
Öneren tahmin türü Liste Tahmin türü Öğe önerisi Öneren çıkışı gereken tahmin türünü belirtin
Önerilen öğe seçimi Liste Öğe seçimi Derecelendirilen öğelerden (model değerlendirmesi için) Öneriler yapılacak öğe kümesini seçin
İlgili Kullanıcı seçimi Liste Kullanıcı seçimi Öğeleri dereceli kullanıcılardan (model değerlendirmesi için) İlgili öğeleri ararken kullanılacak kullanıcı kümesini seçin
İlgili öğe seçimi Liste [Öğe seçimi Derecelendirilen öğelerden (model değerlendirmesi için) İlgili öğeleri ararken kullanılacak öğe kümesini seçin

Çıkışlar

Ad Tür Description
Puanlanmış veri kümesi Veri tablosu Puanlanmış veri kümesi

Özel durumlar

Özel durum Description
Hata 0022 Giriş veri kümesindeki Seçili sütunların sayısı beklenen sayıya eşit değilse özel durum oluşur.
Hata 0036 Belirli bir kullanıcı veya öğe için birden fazla özellik vektörü sağlanmışsa özel durum oluşur.
Hata 0013 Öğrenner modülüne geçirilen özel durum geçersiz türde.
Hata 0035 Belirli bir kullanıcı veya öğe için hiçbir özellik sağlanmazsa özel durum oluşur.
Hata 0053 Özel durum, Matchbox önerileri için Kullanıcı özelliği veya öğe olmadığında oluşur.
Hata 0003 Bir veya daha fazla giriş null veya boş olduğunda özel durum oluşur.

Studio (klasik) modüllerine özgü hataların listesi için bkz. Machine Learning hata kodları.

apı özel durumlarının listesi için bkz. Machine Learning REST API hata kodları.

Ayrıca bkz.

Matchbox öneren eğitme
Önereni Değerlendirme
Inızı