Classificar recomendador Matchbox
Importante
O suporte para o Machine Learning Studio (clássico) terminará em 31 de agosto de 2024. É recomendável fazer a transição para o Azure Machine Learning até essa data.
A partir de 1º de dezembro de 2021, você não poderá criar recursos do Machine Learning Studio (clássico). Até 31 de agosto de 2024, você pode continuar usando os recursos existentes do Machine Learning Studio (clássico).
- Confira informações sobre como mover projetos de machine learning do ML Studio (clássico) para o Azure Machine Learning.
- Saiba mais sobre o Azure Machine Learning.
A documentação do ML Studio (clássico) está sendo desativada e pode não ser atualizada no futuro.
Classificar predições para um conjunto de dados usando o recomendador Matchbox
Categoria: Machine Learning/Pontuação
Observação
Aplica-se a: Machine Learning Studio (clássico) somente
Módulos semelhantes do tipo "arrastar e soltar" estão disponíveis no designer do Azure Machine Learning.
Visão geral do módulo
Este artigo descreve como usar o módulo Score Matchbox Recommender no Machine Learning Studio (clássico) para criar previsões com base em um modelo de recomendação treinado, com base no algoritmo Matchbox do Microsoft Research.
O recomendador matchbox pode gerar quatro tipos diferentes de previsões:
Ao criar os três últimos tipos de previsões, você pode operar no modo de produção ou no modo de avaliação.
O modo de produção considera todos os usuários ou itens e normalmente é usado em um serviço Web.
Você pode criar pontuações para novos usuários, não apenas os usuários vistos durante o treinamento. Para obter mais informações, consulte esta seção.
Modo de avaliação opera em um conjunto reduzido de usuários ou itens que podem ser avaliados, ou são normalmente usados durante a experimentação.
Dica
Saiba tudo o que você precisa saber sobre a experiência de ponta a ponta de criar um sistema de recomendação neste tutorial da equipe de desenvolvimento do .NET. Inclui código de exemplo e discussão sobre como chamar Machine Learning de um aplicativo.
Criando um mecanismo de recomendação para aplicativos .NET usando Machine Learning
Mais sobre o recomendador matchbox
O objetivo de criar um sistema de recomendação é recomendar um ou mais "itens" para "usuários" do sistema. Exemplos de um item podem ser um filme, restaurante, livro ou música. Um usuário pode ser uma pessoa, grupo de pessoas ou outra entidade com as preferências de itens.
Há duas abordagens principais para sistemas recomendadores. A primeira é a abordagem com base em conteúdo, que usa recursos para usuários e itens. Os usuários podem ser descritos por propriedades, como idade e sexo; e itens podem ser descritos por propriedades, como autor e fabricante. Exemplos típicos de sistemas de recomendação baseados em conteúdo podem ser encontrados nos sites de compatibilidade social. A segunda abordagem é filtragem de colaboração, que usa apenas identificadores dos usuários e itens e obtém informações implícitas sobre essas entidades de uma matriz (esparsa) de classificações fornecidas pelos usuários para os itens. Podemos aprender sobre um usuário por meio dos itens que ele classificou e de outros usuários que classificaram os mesmos itens.
O recomendador Matchbox combina a filtragem de colaboração com uma abordagem baseada em conteúdo. Portanto, ele é considerado um recomendador híbrido. Quando um usuário é relativamente novo no sistema, as previsões são aprimoradas por meio das informações de recursos sobre o usuário, resolvendo, assim, o conhecido problema de "inicialização fria". No entanto, uma vez que há um número suficiente de classificações de um determinado usuário, é possível fazer previsões totalmente personalizadas para elas com base em suas classificações específicas e não somente em seus recursos. Portanto, há uma transição suave das recomendações com base em conteúdo para recomendações baseadas na filtragem de colaboração. Mesmo quando os recursos de usuário ou item não estão disponíveis, o Matchbox ainda funciona em seu modo de filtragem colaborativa.
Mais detalhes sobre o recomendador Matchbox e seu algoritmo probabilístico subjacente podem ser encontrados no artigo de pesquisa relevante:
Exemplos
Para ver exemplos de como criar pontuações de um mecanismo de recomendação, consulte a Galeria de IA do Azure.
Recomendação: Recomendação de filme: este exemplo demonstra a recomendação de item, em que os itens são filmes e também demonstra a previsão de classificação.
Recomendação: classificações de restaurante: este exemplo demonstra recomendações de item usando recursos de item e recursos do usuário.
- Recomendações: esta postagem no blog fornece uma introdução de alto nível aos sistemas de recomendação com muitos auxílios visuais.
Como configurar o Score Matchbox Recommender
Esse módulo dá suporte a diferentes tipos de recomendações, cada um com requisitos diferentes. Clique no link para o tipo de dados que você tem e o tipo de recomendação que você deseja criar.
- Prever classificações
- Itens recomendados
- Encontrar usuários relacionados
- Encontrar itens relacionados
Prever classificações
Quando você prevê as classificações, o modelo calcula como um determinado usuário reagirá a um determinado item, considerando os dados de treinamento. Portanto, os dados de entrada para pontuação devem fornecer um usuário e o item a serem classificados.
Adicione um modelo de recomendação treinado ao seu experimento e conecte-o ao recomendador caixa de seleção treinado. Você deve criar o modelo usando o Recomendação de Caixa de Treinamento.
Tipo de previsão de recomendação: Selecione Previsão de classificação. Nenhum parâmetro adicional é necessário.
Adicione os dados para os quais você deseja fazer previsões e conecte-os ao Conjunto de dados a ser pontuado.
Para prever as classificações, o conjunto de dados de entrada deve conter pares de item-usuário.
O conjunto de dados pode conter uma terceira coluna opcional de classificações para o par de item-usuário na primeira e segunda colunas, mas a terceira coluna será ignorada durante a previsão.
(Opcional). Se você tiver um conjunto de dados de recursos do usuário, conecte-o aos Recursos do usuário.
O conjunto de dados dos recursos do usuário deve conter o identificador de usuário na primeira coluna. As colunas restantes devem conter valores que caracterizam os usuários, como o gênero, as preferências, o local etc.
Os recursos de usuários que classificaram itens são ignorados pelo Score Matchbox Recommender, pois eles já foram aprendidos durante o treinamento. Portanto, filtre seu conjunto de dados com antecedência para incluir somente usuários de inicialização a frio, ou usuários que não tenham classificado nenhum item.
Aviso
Se o modelo foi treinado sem usar recursos de usuário, você não pode introduzir recursos de usuário durante a pontuação.
Se você tiver um conjunto de dados de recursos do item, poderá conectá-lo aos recursos do item.
O conjunto de dados de recursos de item deve conter um identificador de item na primeira coluna. As colunas restantes devem conter valores que caracterizam os itens.
Os recursos de itens classificados são ignorados pelo Score Matchbox Recommender , pois eles já foram aprendidos durante o treinamento. Portanto, restrinja o conjunto de dados de pontuação para itens de inicialização a frioou itens que não tenham sido classificados por nenhum usuário.
Aviso
Se o modelo foi treinado sem usar recursos de item, você não pode introduzir recursos de item durante a pontuação.
Use a quinta porta de entrada opcional, denominada Conjuntos de Dados de Treinamento, para remover itens que já foram classificados dos resultados da previsão.
Para aplicar esse filtro, conecte o conjunto de dados de treinamento original à porta de entrada.
Execute o experimento.
Resultados para previsões de classificação
O conjunto de dados de saída contém três colunas, contendo o usuário, o item e a classificação prevista para cada usuário de entrada e item.
Além disso, as seguintes alterações são aplicadas durante a pontuação:
Valores ausentes em colunas de recurso de usuário ou item são substituídos automaticamente pelo modo de seus valores de conjunto de treinamento não ausentes.
Todos os recursos de usuário e item são redimensionados pelos valores absolutos máximos correspondentes vistos no treinamento.
Nenhuma conversão é aplicada aos valores de recursos, para manter sua dispersão.
Recursos com valor de cadeia de caracteres são convertidos em um conjunto de recursos de indicador com valor binário.
Recomendar
Para recomendar itens para os usuários, você fornece uma lista de usuários e itens como entrada. A partir desses dados, o modelo usa seu conhecimento sobre itens e usuários existentes para gerar uma lista de itens com um apelo provável para cada usuário. Você pode personalizar o número de recomendações retornado e definir um limite para o número de recomendações anteriores que são necessárias para gerar uma recomendação.
Adicione um modelo de recomendação treinado ao seu experimento e conecte-o ao recomendador caixa de seleção treinado. Você deve criar o modelo usando o Recomendação de Caixa de Treinamento.
Para recomendar itens para uma determinada lista de usuários, defina Tipo de previsão do sistema de recomendação para Recomendação de item.
Seleção de item recomendada: indique se você está usando o módulo de pontuação em produção ou para avaliação de modelo, escolhendo um destes valores:
De itens classificados (para avaliação de modelo) : Selecione esta opção se você estiver desenvolvendo ou testando um modelo. Essa opção habilita o modo de avaliaçãoe o módulo faz recomendações apenas dos itens no conjunto de dados de entrada que foram classificados.
De todos os itens: Selecione esta opção se você estiver configurando um experimento para usar em um serviço Web ou produção. Essa opção permite modo de produção, o módulo faz recomendações de todos os itens vistos durante o treinamento.
Adicione os dados para os quais você deseja fazer previsões e conecte-os ao Conjunto de dados a ser pontuado.
Se você escolher a opção, De todos os itens, o conjunto de dados de entrada deverá consistir em apenas uma coluna, contendo os identificadores de usuários para os quais fazer recomendações.
Se o conjuntos de dados contiver mais de uma coluna, um erro será gerado. Use o módulo Selecionar Colunas no Conjuntos de Dados para remover colunas extras do conjuntos de dados de entrada.
Se você escolher a opção De itens classificados (para avaliação de modelo) , o conjunto de dados de entrada deverá consistir em pares item-usuário. A primeira coluna deve conter o identificador de usuário. A segunda coluna deve conter os identificadores de item correspondentes.
O conjunto de dados pode incluir uma terceira coluna de classificações de usuário-item, mas essa coluna é ignorada.
(Opcional). Se você tiver um conjunto de dados de recursos do usuário, conecte-o aos Recursos do usuário.
A primeira coluna no conjunto de dados dos recursos do usuário deve conter o identificador de usuário. As colunas restantes devem conter valores que caracterizam o usuário, como o gênero, as preferências, o local etc.
Os recursos de usuários que classificaram itens são ignorados pelo Score Matchbox Recommender, pois esses recursos já foram aprendidos durante o treinamento. Portanto, filtre seu conjunto de dados com antecedência para incluir somente usuários de inicialização a frioou usuários que não tenham classificado nenhum item.
Aviso
Se o modelo foi treinado sem usar recursos de usuário, você não pode introduzir recursos de usuário durante a pontuação.
(Opcional) Se você tiver um conjunto de dados de recursos do item, poderá conectá-lo aos Recursos do item.
A primeira coluna no conjunto de dados de recursos de item deve conter um identificador de item. As colunas restantes devem conter valores que caracterizam os itens.
Os recursos de itens classificados são ignorados pelo Score Matchbox Recommender, pois esses recursos já foram aprendidos durante o treinamento. Portanto, restrinja o conjunto de dados de pontuação para itens de inicialização a frioou itens que não tenham sido classificados por nenhum usuário.
Aviso
Se o modelo foi treinado sem usar recursos de item, não use recursos de item ao pontuar.
Número máximo de itens a serem recomendados para um usuário: Digite o número de itens a serem retornados para cada usuário. Por padrão, são recomendados 5 itens.
Tamanho mínimo do pool de recomendações por usuário: digite um valor que indique quantas recomendações anteriores são necessárias. Por padrão, esse parâmetro é definido como 2, o que significa que o item deve ter sido recomendado por pelo menos dois outros usuários.
Essa opção deve ser usada somente se você estiver pontuando no modo de avaliação. A opção não estará disponível se você selecionar De Todos os Itens.
Execute o experimento.
Resultados da recomendação do item
O conjunto de dados pontuado retornado pelo Classificar Recomendador Matchbox lista os itens recomendados para cada usuário.
- A primeira coluna contém os identificadores de usuário.
- Um número de colunas adicionais são geradas, dependendo do valor definido para o Número máximo de itens a ser recomendado para um usuário. Cada coluna contém um item recomendado (por identificador). As recomendações são ordenadas por afinidade de usuário-item, com o item com a afinidade mais alta colocada na coluna, Item 1.
Aviso
Esse conjuntos de dados pontuados não pode ser avaliado usando o módulo Avaliar Recomendação .
Encontrar usuários relacionados
A opção de encontrar usuários relacionados será útil se você estiver recomendando "pessoas como você" ou se estiver criando um pool de usuários semelhantes no qual basear outros tipos de previsões.
Adicione um modelo de recomendação treinado ao seu experimento e conecte-o ao recomendador caixa de seleção treinado. Você deve criar o modelo usando o Recomendação de Caixa de Treinamento.
Tipo de previsão do recomendador: selecione Usuários Relacionados.
Seleção de usuário relacionada: indique como você estará usando o modelo para pontuação e especifique o pool de usuários no qual basear as pontuações da seguinte maneira:
Em Todos os Usuários: selecione esta opção se você estiver configurando um experimento para usar em um serviço Web ou em produção ou se precisar fazer previsões para novos usuários. Essa opção habilita o modo de produção e o módulo baseia sua recomendação somente em usuários vistos durante o treinamento.
Em Usuários que classificaram itens (para avaliação de modelo): selecione esta opção se você estiver desenvolvendo ou testando um modelo. Essa opção habilita o modo de avaliação e o modelo baseia suas recomendações nos usuários no conjunto de testes que classificaram alguns itens comuns.
Conexão um conjuntos de dados que contém os usuários para os quais gerar previsões. O formato desse conjuntos de dados depende se você está usando o módulo de pontuação no modo de produção ou no modo de avaliação.
Modo de produção, usando De Todos os Itens
O conjuntos de dados a ser pontuado deve consistir em usuários para os quais você deseja encontrar usuários relacionados. A primeira e única coluna devem conter os identificadores de usuário. Se outras colunas são incluídas, um erro é gerado. Use o módulo Selecionar Colunas no Conjuntos de Dados para remover colunas desnecessárias.
Modo de avaliação, usando De Itens Classificados (para avaliação de modelo)
O conjuntos de dados a ser pontuado deve consistir em 2 a 3 colunas, contendo pares de itens de usuário. A primeira coluna deve conter identificadores de usuário. A segunda coluna deve conter identificadores de item. O conjuntos de dados pode incluir uma terceira coluna de classificações (pelo usuário na coluna 1 para o item na coluna 2), mas a coluna de classificações será ignorada.
Número máximo de usuários relacionados a encontrar para um usuário: digite um número que indica o número máximo de previsões que você deseja para cada usuário. O padrão é 5, o que significa que no máximo cinco usuários relacionados podem ser retornados, mas, em alguns casos, pode haver menos de 5.
No modo de avaliação (de usuários que classificaram itens), configure estes parâmetros adicionais:
Número mínimo de itens que o usuário de consulta e o usuário relacionado devem ter classificado em comum: esse valor define um limite para recomendações. O número digitado representa o número mínimo de itens que o usuário de destino e o usuário potencial relacionado devem ter classificado. O valor padrão é 2, o que significa que, no mínimo, dois itens devem ter sido classificados por ambos os usuários.
Tamanho mínimo do pool de usuários relacionado para um único usuário: esse valor controla o número mínimo de usuários semelhantes necessários para criar uma recomendação. Por padrão, o valor é 2, o que significa que, se você tiver apenas dois usuários relacionados em virtude da classificação dos mesmos itens, poderá considerá-los relacionados e gerar uma recomendação.
(Opcional). Se você tiver um conjunto de dados de recursos do usuário, conecte-o aos Recursos do usuário.
A primeira coluna no conjunto de dados dos recursos do usuário deve conter o identificador de usuário. As colunas restantes devem conter valores que caracterizam o usuário, como gênero, preferências, localização, etc.
Os recursos de usuários que classificaram itens são ignorados pelo Score Matchbox Recommender , pois esses recursos já foram aprendidos durante o treinamento. Portanto, filtre seu conjunto de dados com antecedência para incluir somente usuários de inicialização a frio, ou usuários que não tenham classificado nenhum item.
Aviso
Se o modelo foi treinado sem usar recursos do usuário, você não poderá aplicar recursos do usuário durante a pontuação.
(Opcional) Se você tiver um conjuntos de dados de recursos de item, conecte-o aos recursos do item.
A primeira coluna no conjunto de dados de recursos de item deve conter um identificador de item. As colunas restantes devem conter valores que caracterizam os itens.
Os recursos de itens classificados são ignorados pelo Score Matchbox Recommender , pois esses recursos já foram aprendidos durante o treinamento. Portanto, você pode restringir seu conjuntos de dados de pontuação a itens de início frio ou itens que não foram classificados por nenhum usuário.
Aviso
Se o modelo foi treinado sem usar recursos de item, não use recursos de item ao pontuar.
Execute o experimento.
Resultados para usuários relacionados
O conjuntos de dados pontuados retornado pelo Score Matchbox Recommender lista os usuários que estão relacionados a cada usuário no conjuntos de dados de entrada.
Para cada usuário especificado no conjunto de dados de entrada, o conjunto de dados de resultado contém um conjunto de usuários relacionados.
A primeira coluna contém o identificador do usuário de destino (o usuário fornecido como entrada).
Colunas adicionais são geradas contendo os identificadores de usuários relacionados. O número de colunas adicionais depende do valor definido na opção Número máximo de usuários relacionados a encontrar para um usuário.
Os usuários relacionados são ordenados pela força da relação com o usuário de destino, com o usuário mais fortemente relacionado na coluna, Usuário Relacionado 1.
Encontrar itens relacionados
Ao prever itens relacionados, você pode gerar recomendações para usuários com base em itens que já foram classificados.
Adicione um modelo de recomendação treinado ao seu experimento e conecte-o ao recomendador caixa de seleção treinado. Você deve criar o modelo usando o Recomendação de Caixa de Treinamento.
Tipo de previsão do recomendador: selecione Itens Relacionados.
Conexão um conjuntos de dados que contém os usuários para os quais gerar previsões. O formato desse conjuntos de dados depende se você está usando o módulo de pontuação no modo de produção ou no modo de avaliação.
Modo de produção, usando De Todos os Itens
O conjuntos de dados a ser pontuado deve consistir em itens para os quais você deseja encontrar usuários relacionados.
A primeira e única coluna devem conter os identificadores de item. Se outras colunas são incluídas, um erro é gerado. Use o módulo Selecionar Colunas no Conjuntos de Dados para remover colunas desnecessárias.
Modo de avaliação, usando De Itens Classificados (para avaliação de modelo)
O conjuntos de dados a ser pontuado deve consistir em 2 a 3 colunas, contendo pares de itens de usuário. A primeira coluna deve conter identificadores de usuário. A segunda coluna deve conter identificadores de item.
O conjuntos de dados pode incluir uma terceira coluna de classificações (pelo usuário na coluna 1 para o item na coluna 2), mas a coluna de classificações é ignorada.
Número máximo de itens relacionados a encontrar para um item>: digite um número que indica o número máximo de previsões que você deseja para cada item.
O padrão é 5, o que significa que no máximo cinco itens relacionados podem ser retornados, mas pode haver menos de 5.
Se você estiver usando o modo de avaliação (de usuários que classificaram itens), configure estes parâmetros adicionais:
Número mínimo de itens que o item de consulta e o item relacionado devem ter sido classificados em comum: esse valor define um limite para recomendações. O número digitado representa o número mínimo de itens que foram classificados pelo usuário de destino e algum usuário relacionado. O valor padrão é 2, o que significa que, no mínimo, dois itens devem ter sido classificados pelo usuário de destino e pelo usuário relacionado.
Tamanho mínimo do pool de itens relacionados para um único item: esse valor controla o número mínimo de itens semelhantes necessários para criar uma recomendação. Por padrão, o valor é 2, o que significa que, se você tiver apenas dois itens relacionados em virtude de ter sido classificado pelos mesmos usuários, poderá considerá-los relacionados e gerar uma recomendação.
(Opcional). Se você tiver um conjunto de dados de recursos do usuário, conecte-o aos Recursos do usuário.
A primeira coluna no conjunto de dados dos recursos do usuário deve conter o identificador de usuário. As colunas restantes devem conter valores que caracterizam o usuário, como o gênero, as preferências, o local etc.
Os recursos de usuários que classificaram itens são ignorados pelo Score Matchbox Recommender, pois esses recursos já foram aprendidos durante o treinamento. Portanto, filtre seu conjunto de dados com antecedência para incluir somente usuários de inicialização a frioou usuários que não tenham classificado nenhum item.
Aviso
Se o modelo foi treinado sem usar recursos do usuário, você não poderá aplicar recursos do usuário durante a pontuação.
(Opcional) Se você tiver um conjuntos de dados de recursos de item, poderá conectá-lo aos recursos do item.
A primeira coluna no conjunto de dados de recursos de item deve conter um identificador de item. As colunas restantes devem conter valores que caracterizam o item.
Os recursos de itens classificados são ignorados pelo Score Matchbox Recommender, pois esses recursos já foram aprendidos durante o treinamento. Portanto, você pode restringir seu conjuntos de dados de pontuação a itens de início frio ou itens que não foram classificados por nenhum usuário.
Aviso
Se o modelo foi treinado sem usar recursos de item, não use recursos de item ao pontuar.
(Opcional) Em um teste preditivo, você pode usar uma quinta porta de entrada, chamada Decodados de Treinamento, para remover os usuários existentes que foram incluídos nos dados de treinamento do modelo dos resultados da previsão.
Para aplicar esse filtro, conecte o conjunto de dados de treinamento original à porta de entrada.
Execute o experimento.
Resultados de itens relacionados
O conjuntos de dados pontuados retornado pelo Score Matchbox Recommender lista os itens relacionados para cada item no conjuntos de dados de entrada.
A primeira coluna contém o identificador do item de destino (o item fornecido como entrada).
Colunas adicionais são geradas contendo os identificadores de itens relacionados. O número de colunas adicionais depende do valor definido na opção Número máximo de itens relacionados a encontrar para um item.
Os itens relacionados são ordenados pela força da relação com o item de destino, com o item mais fortemente relacionado na coluna, Item Relacionado 1.
Observações técnicas
Esta seção contém respostas para algumas perguntas comuns sobre como usar o recomendador para criar previsões.
Usuários e recomendações de inicialização a frio
Normalmente, para criar recomendações, o módulo Classificar Recomendador Matchbox requer as mesmas entradas que você usou ao treinar o modelo, incluindo uma ID de usuário. Isso ocorre porque o algoritmo precisa saber se aprendeu algo sobre este usuário durante o treinamento.
Mas, no caso de novos usuários, talvez você não tenha uma ID de usuário, apenas alguns recursos do usuário, como idade, sexo e assim por diante.
Você ainda pode criar recomendações para usuários que são novos no sistema tratando-os como usuários de inicialização a frio. Para esses usuários, o algoritmo de recomendação não usa o histórico antigo nem as classificações anteriores, somente os recursos de usuário.
Para fins de previsão, um usuário de inicialização a frio é definido como usuário com uma ID que não foi usada para treinamento. Para garantir que as IDs não correspondam às IDs usadas no treinamento, você pode criar novos identificadores. Por exemplo, você pode gerar IDs aleatórias em um intervalo especificado ou alocar uma série de IDs com antecedência para usuários de inicialização a frio.
No entanto, se você não tiver nenhum dado de filtragem colaborativo, como um vetor de recursos do usuário, será melhor usar um aprendiz de classificação ou regressão.
Uso de produção do recomendador matchbox
Se você experimentou com o recomendador Matchbox e, em seguida, move o modelo para produção, esteja ciente dessas principais diferenças ao usar o recomendador no modo de avaliação e no modo de produção:
A avaliação, por definição, exige previsões que podem ser verificadas em relação a verdades em um conjunto de teste. Portanto, quando você avalia o recomendador, ele deve prever apenas os itens que tenham sido classificados no conjunto de teste. Isso necessariamente restringe os valores possíveis que estão previstos.
No entanto, ao colocar em operação o modelo, você normalmente altera o modo de previsão para fazer recomendações com base em todos os itens possíveis, para obter as melhores previsões. Para muitas dessas previsões, não haverá nenhuma verdade correspondente, por isso, a precisão da recomendação não pode ser verificada da mesma forma como durante a experimentação.
Se não fornecer uma ID de usuário na produção e fornecer um vetor de recurso, você pode obter como resposta uma lista de todas as recomendações para todos os usuários possíveis. Certifique-se de fornecer uma ID de usuário.
Para limitar o número de recomendações retornadas, especifique também o número máximo de itens retornados por usuário.
Não é possível gerar previsões somente para itens que não tenham sido classificados anteriormente. Isso ocorre por design.
O motivo é que, para recomendar apenas os itens que não foram classificados, o recomendador precisaria armazenar todo o conjunto de dados de treinamento com o modelo, o que aumentaria o uso do armazenamento.
Se desejar recomendar apenas os itens que não foram vistos pelo usuário, solicite mais itens para recomendar e filtre manualmente os classificados.
Atualização contínua do recomendador
Atualmente, não há suporte para atualização online (ou treinamento contínuo) de um modelo de recomendação no Machine Learning. Se você quiser capturar respostas do usuário para recomendações e usá-los para melhorar o modelo, sugerimos treinar o modelo completo periodicamente. O treinamento incremental não é possível, mas você pode aplicar uma janela deslizante aos dados de treinamento para garantir que o volume de dados seja minimizado ao usar os dados mais recentes.
Entradas esperadas
| Nome | Tipo | Descrição |
|---|---|---|
| Recomendador de Matchbox treinado | ILearner | Recomendador de Matchbox treinado |
| Conjunto de dados a classificar | Tabela de Dados | Conjunto de dados a classificar |
| Recursos do usuário | Tabela de Dados | Conjunto de dados que contém recursos que descrevem os usuários Esses dados são opcionais |
| Recursos de itens | Tabela de Dados | Conjunto de dados que contém recursos que descrevem itens Esses dados são opcionais |
Parâmetros do módulo
| Nome | Intervalo | Type | Padrão | Descrição |
|---|---|---|---|---|
| Tipo de previsão do recomendador | Lista | Tipo de previsão | Recomendação de itens | Especifique o tipo de previsão que o recomendador deve gerar |
| Seleção de itens recomendados | Lista | Seleção de item | De itens classificados (para avaliação de modelo) | Selecione o conjunto de itens para fazer recomendações de |
| Seleção de usuário relacionado | Lista | Seleção de usuários | De usuários que classificaram itens (para avaliação de modelo) | Selecione o conjunto de usuários a ser usado ao localizar itens relacionados |
| Seleção de itens relacionados | Lista | [Seleção de item | De itens classificados (para avaliação de modelo) | Selecione o conjunto de itens a ser usado ao localizar itens relacionados |
Saídas
| Nome | Tipo | Descrição |
|---|---|---|
| Conjunto de dados classificado | Tabela de Dados | Conjunto de dados classificado |
Exceções
| Exceção | Descrição |
|---|---|
| Erro 0022 | Ocorrerá uma exceção se o número de colunas selecionadas no conjunto de dados de entrada não for igual ao número esperado. |
| Erro 0036 | Ocorrerá uma exceção se vários vetores do recurso forem fornecidos para um determinado usuário ou item. |
| Erro 0013 | Ocorrerá uma exceção se passado para aprendiz do módulo tiver um tipo inválido. |
| Erro 0035 | Ocorrerá uma exceção se nenhum recurso for fornecido por um determinado usuário ou item. |
| Erro 0053 | Ocorrerá uma exceção no caso de não haver nenhum recurso ou item de usuário para recomendações de Matchbox. |
| Erro 0003 | Ocorrerá uma exceção se uma ou mais das entradas for nula ou estiver vazia. |
Para ver uma lista de erros específicos dos módulos do Studio (clássico), consulte Machine Learning Códigos de erro.
Para ver uma lista de exceções de API, consulte Machine Learning códigos de erro da API REST.
Confira também
Treinar recomendador Matchbox
Avaliar o Sistema de Recomendação
Pontuação