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