Recomendador Matchbox para puntuar
Importante
El soporte técnico de Machine Learning Studio (clásico) finalizará el 31 de agosto de 2024. Se recomienda realizar la transición a Azure Machine Learning antes de esa fecha.
A partir del 1 de diciembre de 2021 no se podrán crear recursos de Machine Learning Studio (clásico). Hasta el 31 de agosto de 2024, puede seguir usando los recursos de Machine Learning Studio (clásico) existentes.
- Consulte la información acerca de traslado de proyectos de aprendizaje automático de ML Studio (clásico) a Azure Machine Learning.
- Más información sobre Azure Machine Learning.
La documentación de ML Studio (clásico) se está retirando y es posible que no se actualice en el futuro.
Puntúa predicciones de un conjunto de datos con el recomendador de Matchbox
Categoría: Machine Learning/ Puntuación
Nota:
Solo se aplica a: Machine Learning Studio (clásico)
Hay módulos para arrastrar y colocar similares en el diseñador de Azure Machine Learning.
Información general sobre el módulo
En este artículo se describe cómo usar el módulo Score Matchbox Recommender de Machine Learning Studio (clásico) para crear predicciones basadas en un modelo de recomendación entrenado, basado en el algoritmo Matchbox de Microsoft Research.
El recomendador de Matchbox puede generar cuatro tipos diferentes de predicciones:
Al crear los tres últimos tipos de predicciones, puede trabajar en modo de producción oen modo de evaluación.
El modo de producción considera todos los usuarios o elementos, y normalmente se usa en un servicio Web.
Puede crear puntuaciones para los nuevos usuarios, no solo para los usuarios que se ven durante la formación. Para obtener más información, consulta esta sección.
El modo de evaluación funciona en un conjunto reducido de usuarios o elementos que se pueden evaluar y se usa normalmente durante la experimentación.
Sugerencia
Obtenga información sobre todo lo que necesita saber sobre la experiencia de un extremo a otro de la creación de un sistema de recomendaciones en este tutorial del equipo de desarrollo de .NET. Incluye código de ejemplo y una explicación de cómo llamar a Machine Learning desde una aplicación.
Creación de un motor de recomendaciones para aplicaciones .NET mediante Machine Learning
Más información sobre el recomendador de Matchbox
El objetivo de crear un sistema de recomendaciones es recomendar uno o varios "elementos" a los "usuarios" del sistema. Algunos ejemplos de elementos pueden ser una película, un restaurante, un libro o una canción. Un usuario podría ser una persona, un grupo de personas u otra entidad con preferencias de elementos.
Existen dos enfoques principales para los sistemas de recomendación. La primera es el enfoque basado en el contenido, que hace uso de las características tanto para usuarios como para elementos. Los usuarios pueden describirse en propiedades como la edad y el sexo, y los elementos se pueden describir en propiedades como el autor y el fabricante. Los ejemplos típicos de sistemas de recomendación basados en contenido se pueden encontrar en los sitios de encuentros sociales. El segundo enfoque es de filtrado de colaboración, que solo usa los identificadores de usuarios y elementos, y obtiene información implícita sobre estas entidades a partir de una matriz (dispersa) de clasificaciones dadas a los elementos por los usuarios. Podemos obtener información sobre un usuario a partir de los elementos que han clasificado y de otros usuarios que han calificado los mismos elementos.
El recomendador Matchbox combina el filtrado de colaboración con un enfoque basado en contenido. Por tanto, se considera un recomendador híbrido. Cuando se trata de un usuario relativamente nuevo en el sistema, para mejorar las predicciones se usa la información de características sobre el usuario, enfrentando así el conocido problema del "arranque en frío". Sin embargo, una vez que existen clasificaciones suficientes de un usuario determinado, es posible crear predicciones completamente personalizadas para ese usuario según sus clasificaciones específicas, en lugar de hacerlo solo según sus características. Por lo tanto, se trata de una transición sin problemas desde recomendaciones basadas en contenido a recomendaciones basadas en el filtrado de colaboración. Incluso cuando las características de usuario o elemento no están disponibles, Matchbox sigue funcionando en su modo de filtrado colaborativo.
Puede encontrar más detalles sobre el recomendador Matchbox y su algoritmo de probabilidad subyacente en el documento de investigación pertinente (en inglés):
Ejemplos
Para obtener ejemplos de cómo crear puntuaciones a partir de un motor de recomendaciones, consulte el Azure AI Gallery.
Recomendador: Recomendación de películas: en este ejemplo se muestra la recomendación de elementos, donde los elementos son películas, y también se muestra la predicción de clasificación.
Recomendador: Clasificaciones de restaurantes: en este ejemplo se muestran las recomendaciones de elementos mediante características de elementos y características de usuario.
- Recomendaciones Everywhere: esta entrada de blog proporciona una introducción de alto nivel a los sistemas de recomendación con una gran cantidad de ayuda visual.
Configuración del recomendador score matchbox
Este módulo admite distintos tipos de recomendaciones, cada una con requisitos diferentes. Haga clic en el vínculo correspondiente al tipo de datos que tiene y el tipo de recomendación que desea crear.
- Predecir clasificaciones
- Elementos recomendados
- Buscar usuarios relacionados
- Buscar elementos relacionados
Predecir clasificaciones
Cuando se predicen las clasificaciones, el modelo calcula el modo en que un usuario determinado reaccionará a un elemento determinado, dados los datos de formación. Por lo tanto, los datos de entrada para la puntuación deben proporcionar tanto un usuario como el elemento a calificar.
Agregue un modelo de recomendación entrenado al experimento y conéctelo al recomendador Trained Matchbox. Debe crear el modelo mediante Train Matchbox Recommender (Entrenar recomendador de Matchbox).
Tipo de predicción recomendada: Seleccione Predicción de clasificación. No se requieren más parámetros.
Agregue los datos para los que quiere crear predicciones y conéctela al Conjunto de datos para puntuar.
Para predecir las clasificaciones, el conjunto de datos de entrada debe contener pares de usuario-elemento.
El conjunto de datos puede contener una tercera columna opcional de clasificaciones para el par de usuario-elemento en la primera y segunda columna, pero la tercera columna se omitirá durante la predicción.
(Opcional). Si tiene un conjunto de datos de características de usuario, conéctelo a las características de usuario.
El conjunto de elementos de las características de usuario debe contener el identificador de usuario en la primera columna. Las columnas restantes deben contener valores que caracterizan a los usuarios, como su sexo, preferencias, ubicación, etc.
Score Matchbox Recommender omite las características de los usuarios que han clasificado elementos, ya que ya se han aprendido durante el entrenamiento. Por lo tanto, filtre el conjunto de datos de antemano para incluir solo a los usuarios de arranque en frío o a los usuarios que no hayan clasificado ningún elemento.
Advertencia
Si el modelo se entrenó sin usar características de usuario, no puede introducir características de usuario durante la puntuación.
Si tiene un conjunto de datos de características de elemento, puede conectarlo a las características de elemento.
El conjunto de datos de características de elemento tiene que contener un identificador de elemento en la primera columna. El resto de las columnas deben contener valores que caracterizan a los elementos.
El recomendador score matchbox omite las características de los elementos clasificados, ya que ya se han aprendido durante el entrenamiento. Por lo tanto, restrinja el conjunto de datos de puntuación a los elementos de arranque en frío o elementos que no hayan sido clasificados por ningún usuario.
Advertencia
Si el modelo se entrena sin usar características de elementos, no puede estas durante la puntuación.
Use el quinto puerto de entrada opcional, denominado Conjunto de datos de entrenamiento, para quitar los elementos que ya se han clasificado de los resultados de la predicción.
Para aplicar este filtro, conecte el conjunto de datos de aprendizaje original al puerto de entrada.
Ejecute el experimento.
Resultados de las predicciones de clasificación
El conjunto de datos de salida contiene tres columnas, que contienen el usuario, el elemento y la clasificación de predicción para cada usuario de entrada y elemento.
Además, se aplican los siguientes cambios durante la puntuación:
Los valores que faltan en las columnas de características de usuario o elemento se reemplazan automáticamente por el modo de sus valores de conjunto de entrenamiento que no faltan.
Todas las características de usuario y elemento se reescalan por los valores absolutos máximos correspondientes que se ven en el entrenamiento.
No se aplica ninguna traslación a los valores de característica para mantener su dispersión.
Las características de valor de cadena se convierten a un conjunto de características de indicador de valores binarios.
Recomendar
Para recomendar elementos para los usuarios, debe proporcionar una lista de usuarios y elementos como entrada. A partir de estos datos, el modelo utiliza su conocimiento sobre los elementos y usuarios existentes para generar una lista de elementos con una posible apelación a cada usuario. Puede personalizar el número de recomendaciones devueltas y establecer un umbral para el número de recomendaciones anteriores que se requieren para generar una recomendación.
Agregue un modelo de recomendación entrenado al experimento y conéctelo al recomendador Trained Matchbox. Debe crear el modelo mediante Train Matchbox Recommender.
Para recomendar elementos para una lista de usuarios determinada, establezca tipo de recomendador de predicción en Recomendación de elemento.
Selección de recomendador de elemento: Indique si está usando el módulo de puntuación en producción o para la evaluación de modelos; para ello, elija uno de estos valores:
De los elementos clasificados (para la evaluación de modelos) : Seleccione esta opción si va a desarrollar o probar un modelo. Esta opción habilita el modo de evaluación y el módulo hace recomendaciones solo de los elementos del conjunto de datos de entrada que se han clasificado.
De todos los elementos: Seleccione esta opción si va a configurar un experimento que se va a usar en un servicio web o en un entorno de producción. Esta opción habilita el modo de produccióny el módulo hace recomendaciones de todos los elementos que se han detectado durante la formación.
Agregue los conjuntos de datos para los que quiere crear predicciones y conéctela al Conjunto de datos para puntuar.
Para From All Items (De todos los elementos), el conjunto de datos de entrada debe constar de una sola columna que contenga los identificadores de los usuarios para los que se van a hacer recomendaciones.
Si el conjunto de datos contiene más de una columna, se produce un error. Use el módulo Seleccionar columnas del conjunto de datos para quitar columnas adicionales del conjunto de datos de entrada.
Para From Rated Items (for model evaluation) (De los elementos calificados [para la evaluación de modelos]), el conjunto de datos de entrada debe constar de pares de usuario-elemento. La primera columna debe contener el identificador de usuario. La segunda columna debe contener los identificadores de elemento correspondientes.
El conjunto de datos puede incluir una tercera columna de clasificaciones de usuario-elemento, pero esta columna se omite.
(Opcional). Si tiene un conjunto de datos de características de usuario, conéctelo a User features (características de usuario).
La primera columna del conjunto de datos de características de usuario debe contener el identificador de usuario. Las columnas restantes deben contener valores que caracterizan a los usuarios, como su sexo, preferencias, ubicación, etc.
Score Matchbox Recommender omite las características de los usuarios que han clasificado elementos, ya que estas características ya se han aprendido durante el entrenamiento. Por lo tanto, puede filtrar el conjunto de datos de antemano para incluir solo a los usuarios de arranque en frío o a los usuarios que no hayan clasificado ningún elemento.
Advertencia
Si el modelo se entrenó sin usar características de usuario, no puede utilizar características aplicadas durante la puntuación.
(Opcional) Si tiene un conjunto de datos de características de elemento, puede conectarlo a las características de elemento.
La primera columna del conjunto de datos de características de elemento tiene que contener el identificador del elemento. El resto de las columnas deben contener valores que caracterizan a los elementos.
Score Matchbox Recommender omite las características de los elementos clasificados, ya que estas características ya se han aprendido durante el entrenamiento. Por lo tanto, puede restringir el conjunto de datos de puntuación a los elementos de arranque en frío o elementos que no hayan sido clasificados por ningún usuario.
Advertencia
Si el modelo se entrenó sin usar características de elementos, no utilice características de elemento cuando se realice la puntuación.
Número máximo de elementos que se van a recomendar a un usuario: Escriba el número de elementos que se devolverán para cada usuario. De forma predeterminada, se recomiendan cinco elementos.
Tamaño mínimo del grupo de recomendaciones por usuario: Escriba un valor que indique cuántas recomendaciones anteriores son necesarias. De forma predeterminada, este parámetro se establece en 2, lo que significa que el elemento debe haber sido recomendado por al menos otros dos usuarios.
Esta opción solo se debe usar si va a puntuar en modo de evaluación. La opción no está disponible si selecciona De todos los elementos.
Ejecute el experimento.
Resultados de la recomendación de elementos
El conjunto de datos con puntuación que devuelve el recomendador Matchbox para puntuar enumera los elementos recomendados para cada usuario.
- La primera columna debe contener identificadores de usuario.
- Se generan varias columnas adicionales, en función del valor establecido para Número máximo de elementos para recomendar a un usuario. Cada columna contiene un elemento recomendado (por identificador). Las recomendaciones se ordenan por afinidad de usuario-elemento, con el elemento con la mayor afinidad colocada en la columna, Elemento 1.
Advertencia
Este conjunto de datos puntuado no se puede evaluar con el módulo Evaluación del recomendador.
Buscar usuarios relacionados
La opción de buscar usuarios relacionados es útil si recomienda "personas como usted" o si va a crear un grupo de usuarios similares en el que basar otros tipos de predicciones.
Agregue un modelo de recomendación entrenado al experimento y conéctelo al recomendador Trained Matchbox. Debe crear el modelo mediante Train Matchbox Recommender.
Tipo de predicción del recomendador: seleccione Usuarios relacionados.
Selección de usuario relacionada: indique cómo va a usar el modelo para la puntuación y especifique el grupo de usuarios en el que basar las puntuaciones como se indica a continuación:
En Todos los usuarios: seleccione esta opción si va a configurar un experimento para usarlo en un servicio web o producción, o si necesita realizar predicciones para nuevos usuarios. Esta opción habilita el modo de producción y el módulo basa su recomendación solo en los usuarios que se ven durante el entrenamiento.
En Usuarios que calificaron elementos (para la evaluación del modelo): seleccione esta opción si está desarrollando o probando un modelo. Esta opción habilita el modo de evaluación y el modelo basa sus recomendaciones en los usuarios del conjunto de pruebas que han clasificado algunos elementos comunes.
Conectar un conjunto de datos que contiene los usuarios para los que se generan predicciones. El formato de este conjunto de datos depende de si usa el módulo de puntuación en modo de producción o en modo de evaluación.
Modo de producción, mediante From All Items
El conjunto de datos que se va a puntuar debe constar de usuarios para los que desea buscar usuarios relacionados. La primera y única columna deben contener los identificadores de usuario. Si se incluyen otras columnas, se produce un error. Use el módulo Seleccionar columnas del conjunto de datos para quitar columnas innecesarias.
Modo de evaluación, mediante Elementos clasificados (para la evaluación del modelo)
El conjunto de datos que se debe puntuar debe constar de 2 a 3 columnas, que contienen pares usuario-elemento. La primera columna debe contener identificadores de usuario. La segunda columna debe contener identificadores de elemento. El conjunto de datos puede incluir una tercera columna de clasificaciones (por parte del usuario en la columna 1 para el elemento de la columna 2), pero se omitirá la columna de clasificaciones.
Número máximo de usuarios relacionados que se buscarán para un usuario: escriba un número que indique el número máximo de predicciones que desea para cada usuario. El valor predeterminado es 5, lo que significa que se pueden devolver como máximo cinco usuarios relacionados, pero en algunos casos puede haber menos de 5.
En modo de evaluación (de usuarios que han clasificado elementos), configure estos parámetros adicionales:
Número mínimo de elementos que el usuario de consulta y el usuario relacionado deben haber clasificado en común: este valor establece un umbral para las recomendaciones. El número que escriba representa el número mínimo de elementos que el usuario de destino y el posible usuario relacionado deben haber clasificado. El valor predeterminado es 2, lo que significa que, como mínimo, ambos usuarios deben haber clasificado dos elementos.
Tamaño mínimo del grupo de usuarios relacionado para un solo usuario: este valor controla el número mínimo de usuarios similares necesarios para crear una recomendación. De forma predeterminada, el valor es 2, lo que significa que si tiene tan solo dos usuarios relacionados en virtud de la clasificación de los mismos elementos, puede considerarlos relacionados y generar una recomendación.
(Opcional). Si tiene un conjunto de datos de características de usuario, conéctelo a las características de usuario.
La primera columna del conjunto de datos de características de usuario debe contener el identificador de usuario. Las columnas restantes deben contener valores que caracterizarán al usuario, como el sexo, las preferencias, la ubicación, etc.
Score Matchbox Recommender omite las características de los usuarios que han clasificado elementos, ya que estas características ya se han aprendido durante el entrenamiento. Por lo tanto, filtre el conjunto de datos de antemano para incluir solo a los usuarios de arranque en frío o a los usuarios que no hayan clasificado ningún elemento.
Advertencia
Si el modelo se entrenó sin usar características de usuario, no podrá aplicar características de usuario durante la puntuación.
(Opcional) Si tiene un conjunto de datos de características de elementos, conéctelo a Características del elemento.
La primera columna del conjunto de datos de características de elemento tiene que contener el identificador del elemento. El resto de las columnas deben contener valores que caracterizan a los elementos.
Score Matchbox Recommender omite las características de los elementos clasificados, ya que estas características ya se han aprendido durante el entrenamiento. Por lo tanto, puede restringir el conjunto de datos de puntuación a elementos de arranque en frío o elementos que no han sido clasificados por ningún usuario.
Advertencia
Si el modelo se entrenó sin usar características de elementos, no utilice características de elemento cuando se realice la puntuación.
Ejecute el experimento.
Resultados para usuarios relacionados
El conjunto de datos puntuado devuelto por score Matchbox Recommender enumera los usuarios que están relacionados con cada uno de los usuarios del conjunto de datos de entrada.
Para cada usuario especificado en el conjunto de datos de entrada, el conjunto de datos de resultados contiene un conjunto de usuarios relacionados.
La primera columna contiene el identificador del usuario de destino (el usuario proporcionado como entrada).
Se generan columnas adicionales que contienen los identificadores de los usuarios relacionados. El número de columnas adicionales depende del valor que establezca en la opción Número máximo de usuarios relacionados que se buscarán para un usuario.
Los usuarios relacionados se ordenan según la intensidad de la relación con el usuario de destino, con el usuario más relacionado de la columna, Usuario relacionado 1.
Buscar elementos relacionados
Al predecir elementos relacionados, puede generar recomendaciones para los usuarios en función de los elementos que ya se han clasificado.
Agregue un modelo de recomendación entrenado al experimento y conéctelo al recomendador Trained Matchbox. Debe crear el modelo mediante Train Matchbox Recommender.
Tipo de predicción del recomendador: seleccione Elementos relacionados.
Conectar un conjunto de datos que contiene los usuarios para los que se generan predicciones. El formato de este conjunto de datos depende de si usa el módulo de puntuación en modo de producción o en modo de evaluación.
Modo de producción, mediante From All Items
El conjunto de datos que se va a puntuar debe constar de elementos para los que desea buscar usuarios relacionados.
La primera y única columna deben contener los identificadores de elemento. Si se incluyen otras columnas, se produce un error. Use el módulo Seleccionar columnas del conjunto de datos para quitar columnas innecesarias.
Modo de evaluación, mediante Elementos clasificados (para la evaluación del modelo)
El conjunto de datos que se debe puntuar debe constar de 2 a 3 columnas, que contienen pares usuario-elemento. La primera columna debe contener identificadores de usuario. La segunda columna debe contener identificadores de elemento.
El conjunto de datos puede incluir una tercera columna de clasificaciones (por parte del usuario en la columna 1 para el elemento de la columna 2), pero se omite la columna de clasificaciones.
Número máximo de elementos relacionados que se buscarán> para un elemento: escriba un número que indique el número máximo de predicciones que desea para cada elemento.
El valor predeterminado es 5, lo que significa que se pueden devolver como máximo cinco elementos relacionados, pero puede haber menos de 5.
Si usa el modo de evaluación (De usuarios que han clasificado elementos), configure estos parámetros adicionales:
Número mínimo de elementos que el elemento de consulta y el elemento relacionado deben haber sido clasificados por en común: este valor establece un umbral para las recomendaciones. El número que escribe representa el número mínimo de elementos clasificados por el usuario de destino y algún usuario relacionado. El valor predeterminado es 2, lo que significa que, como mínimo, el usuario de destino y el usuario relacionado deben haber clasificado dos elementos.
Tamaño mínimo del grupo de elementos relacionado para un solo elemento: este valor controla el número mínimo de elementos similares necesarios para crear una recomendación. De forma predeterminada, el valor es 2, lo que significa que, si tiene tan solo dos elementos relacionados en virtud de haber sido calificados por los mismos usuarios, puede considerarlos relacionados y generar una recomendación.
(Opcional). Si tiene un conjunto de datos de características de usuario, conéctelo a las características de usuario.
La primera columna del conjunto de datos de características de usuario debe contener el identificador de usuario. Las columnas restantes deben contener valores que caracterizan a los usuarios, como su sexo, preferencias, ubicación, etc.
Score Matchbox Recommender omite las características de los usuarios que han clasificado elementos, ya que estas características ya se han aprendido durante el entrenamiento. Por lo tanto, puede filtrar el conjunto de datos de antemano para incluir solo a los usuarios de arranque en frío o a los usuarios que no hayan clasificado ningún elemento.
Advertencia
Si el modelo se entrenó sin usar características de usuario, no podrá aplicar características de usuario durante la puntuación.
(Opcional) Si tiene un conjunto de datos de características de elementos, puede conectarlo a características de elemento.
La primera columna del conjunto de datos de características de elemento tiene que contener el identificador del elemento. Las columnas restantes deben contener valores que caracterizarán el elemento.
Score Matchbox Recommender omite las características de los elementos clasificados, ya que estas características ya se han aprendido durante el entrenamiento. Por lo tanto, puede restringir el conjunto de datos de puntuación a elementos de arranque en frío o elementos que no han sido clasificados por ningún usuario.
Advertencia
Si el modelo se entrenó sin usar características de elementos, no utilice características de elemento cuando se realice la puntuación.
(Opcional) En un experimento predictivo, puede usar un quinto puerto de entrada, denominado Conjunto de datos de entrenamiento, para quitar los usuarios existentes incluidos en los datos de entrenamiento del modelo de los resultados de la predicción.
Para aplicar este filtro, conecte el conjunto de datos de aprendizaje original al puerto de entrada.
Ejecute el experimento.
Resultados de elementos relacionados
El conjunto de datos puntuado devuelto por score Matchbox Recommender enumera los elementos relacionados para cada elemento del conjunto de datos de entrada.
La primera columna contiene el identificador del elemento de destino (el elemento proporcionado como entrada).
Se generan columnas adicionales que contienen los identificadores de los elementos relacionados. El número de columnas adicionales depende del valor que establezca en la opción Número máximo de elementos relacionados que se buscarán para un elemento.
Los elementos relacionados se ordenan según la intensidad de la relación con el elemento de destino, con el elemento más relacionado de la columna, Elemento relacionado 1.
Notas técnicas
Esta sección contiene respuestas a algunas preguntas comunes sobre el uso del recomendador para crear predicciones.
Usuarios de inicio en frío y recomendaciones
Normalmente, para crear recomendaciones, el módulo Score Matchbox Recommender requiere las mismas entradas que usó al entrenar el modelo, incluido un identificador de usuario. Esto se debe a que el algoritmo necesita saber si ha aprendido algo sobre este usuario durante el entrenamiento.
De todas formas, en el caso de los nuevos usuarios, puede que no tenga un identificador de usuario, solo algunas características del mismo, como la edad, el sexo, etc.
Aun así, puede crear recomendaciones para los usuarios que son nuevos en el sistema, tratándolos como usuarios de arranque en frío. Para estos usuarios, el algoritmo de recomendación no utiliza el historial o las clasificaciones anteriores, solo las funciones de usuario.
Para fines de predicción, un usuario de arranque en frío se define como usuario con un identificador que no se ha utilizado para el entrenamiento. Para asegurarse de que los identificadores no coinciden con los usados en el entrenamiento, puede crear identificadores nuevos. Por ejemplo, puede crear identificadores aleatorios dentro de un intervalo especificado o asignar una serie de identificadores previamente para los usuarios de arranque en frío.
De todas formas, si no tiene datos de filtrado de colaboración, como un vector de características de usuario, es mejor usar un aprendiz de clasificación o de regresión.
Uso de producción del recomendador de Matchbox
Si ha experimentado con el recomendador de Matchbox y, a continuación, mueve el modelo a producción, tenga en cuenta estas diferencias clave al usar el recomendador en modo de evaluación y en modo de producción:
La evaluación, por definición, requiere predicciones que se pueden comprobar con el terreno real en un conjunto de pruebas. Por lo tanto, al evaluar el recomendador, debe predecir solo los elementos que se han clasificado en el conjunto de pruebas. Esto restringe necesariamente los valores posibles que se predicen.
Sin embargo, cuando se pone en operación el modelo, normalmente se cambia el modo de predicción para realizar recomendaciones basadas en todos los elementos posibles, con el fin de obtener las mejores predicciones. Para muchas de estas predicciones, no hay ningún terreno real correspondiente, por lo que no se puede comprobar la precisión de la recomendación de la misma manera que durante la experimentación.
Si no proporciona un identificador de usuario en producción, y proporciona únicamente un vector de característica, puede obtener como respuesta una lista de todas las recomendaciones para todos los usuarios posibles. Asegúrese de proporcionar un identificador de usuario.
Para limitar el número de recomendaciones que se devuelven, también puede especificar el número máximo de elementos devueltos por el usuario.
No es posible generar predicciones solo para los elementos que no se han clasificado previamente. es así por diseño.
El motivo es que, para recomendar solo los elementos que no se han clasificado, el recomendador tendría que almacenar todo el conjunto de datos de entrenamiento con el modelo, lo que aumentaría el uso del almacenamiento.
Si desea recomendar solo los elementos que no se han visto por el usuario, puede solicitar más elementos para recomendar y, a continuación, filtrar manualmente los clasificados.
Actualización continua del recomendador
La actualización en línea (o el entrenamiento continuo) de un modelo de recomendación no se admite actualmente en Machine Learning. Si desea capturar las respuestas de los usuarios a las recomendaciones y usarlas para mejorar el modelo, se recomienda volver a entrenar el modelo completo periódicamente. El entrenamiento incremental no es posible, pero puede aplicar una ventana deslizante a los datos de entrenamiento para asegurarse de que el volumen de datos se minimiza mientras se usan los datos más recientes.
Entradas esperadas
| Nombre | Tipo | Descripción |
|---|---|---|
| Recomendador Matchbox entrenado | ILearner | Recomendador Matchbox entrenado |
| Conjunto de datos para puntuar | Tabla de datos | Conjunto de datos para puntuar |
| Características de usuario | Tabla de datos | Conjunto de datos que contiene características que describen a los usuarios Estos datos son opcionales |
| Características de elemento | Tabla de datos | Conjunto de datos que contiene características que describen a los elementos Estos datos son opcionales |
Parámetros del módulo
| Nombre | Intervalo | Tipo | Valor predeterminado | Descripción |
|---|---|---|---|---|
| Tipo de predicción de recomendador | Lista | Tipo de predicción | Recomendación de elemento | Especificar el tipo de predicción que el recomendador debe obtener |
| Selección de elementos recomendados | Lista | Selección de elementos | De entre los elementos clasificados (para evaluación de modelos) | Seleccionar el conjunto de elementos de los que realizar recomendaciones |
| Selección de usuarios relacionados | Lista | Selección de usuarios | De entre los usuarios que clasificaron elementos (para evaluación de modelos) | Seleccionar el conjunto de usuarios que se usará cuando se busquen elementos relacionados |
| Selección de elementos relacionados | Lista | [Selección de elementos | De entre los elementos clasificados (para evaluación de modelos) | Seleccionar el conjunto de elementos que se usará cuando se busquen elementos relacionados |
Salidas
| Nombre | Tipo | Descripción |
|---|---|---|
| Conjunto de datos puntuado | Tabla de datos | Conjunto de datos puntuado |
Excepciones
| Excepción | Descripción |
|---|---|
| Error 0022 | Se produce una excepción si el número de columnas seleccionadas en el conjunto de datos de entrada no es igual al número esperado. |
| Error 0036 | Se produce una excepción si se proporcionaron varios vectores de características para un usuario o elemento determinado. |
| Error 0013 | Se produce una excepción si se pasa un aprendiz de módulo con un tipo no válido. |
| Error 0035 | Se produce una excepción si no se proporcionaron características para un usuario o elemento determinado. |
| Error 0053 | Se produce una excepción si no hay características de usuario o elementos para recomendaciones de Matchbox. |
| Error 0003 | Se produce una excepción si una o varias de las entradas son NULL o están vacías. |
Para obtener una lista de errores específicos de los módulos de Studio (clásico), consulte Machine Learning códigos de error.
Para obtener una lista de excepciones de API, consulte Machine Learning códigos de error de la API REST.
Consulte también
Train Matchbox Recommender (entrenar un recomendador de Matchbox)
Evaluate Recommender (Evaluar recomendador)
Puntuación