Recomendador Matchbox para puntuar

Puntúa predicciones de un conjunto de datos con el recomendador de Matchbox

Categoría: machine learning/puntuación

Nota

Se aplica a: machine learning Studio (clásico)

Este contenido solo pertenece a Studio (clásico). Se han agregado módulos similares de arrastrar y colocar al diseñador de Azure Machine Learning. Obtenga más información en este artículo comparativa de las dos versiones.

Información general sobre el módulo

En este artículo se describe cómo usar el módulo de recomendación Matchbox de puntuación en Azure machine learning Studio (clásico) para crear predicciones basadas en un modelo de recomendación entrenado, basado en el algoritmo Matchbox de Microsoft Research.

El recomendador Matchbox puede generar cuatro tipos diferentes de predicciones:

Al crear los tres últimos tipos de predicciones, puede trabajar en modo de producción o en 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 recomendación en este tutorial desde el equipo de desarrollo de .NET. Incluye código de ejemplo y debate sobre cómo llamar a Azure Machine Learning desde una aplicación.

Compilación del motor de recomendaciones para aplicaciones .NET con Azure Machine Learning

Más información sobre el recomendador Matchbox

El objetivo de crear un sistema de recomendación es recomendar uno o más "elementos" a "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, vea el Azure AI Gallery.

  • Recomendaciones en todas partes: esta entrada de blog proporciona una introducción de alto nivel a los sistemas de recomendación con muchas ayudas visuales.

Cómo configurar el recomendador de puntuación 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

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.

  1. Agregue un modelo de recomendación entrenado al experimento y conéctelo a un recomendador Matchbox entrenado. Debe crear el modelo con el recomendador Train Matchbox.

  2. Tipo de predicción recomendada: Seleccione Predicción de clasificación. No se requieren más parámetros.

  3. 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.

  4. (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.

    Las características de los usuarios que han calificado elementos se omiten mediante el recomendador de puntuación Matchbox, porque 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.

  5. 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.

    Las características de los elementos calificados se omiten con el recomendador de puntuación Matchbox , 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.

  6. Use el quinto puerto de entrada opcional, llamado Training DataSet, para quitar los elementos que ya se han clasificado desde los resultados de predicción.

    Para aplicar este filtro, conecte el conjunto de datos de aprendizaje original al puerto de entrada.

  7. 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 redimensionan según 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.

  1. Agregue un modelo de recomendación entrenado al experimento y conéctelo a un recomendador Matchbox entrenado. Debe crear el modelo con el recomendador Train Matchbox.

  2. Para recomendar elementos para una lista de usuarios determinada, establezca tipo de recomendador de predicción en Recomendación de elemento.

  3. 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 producción y el módulo hace recomendaciones de todos los elementos que se han detectado durante la formación.

  4. 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 conjuntos contiene más de una columna, se produce un error. Use el módulo seleccionar columnas de 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.

  5. (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.

    Las características de los usuarios que han calificado elementos se omiten mediante el recomendador de puntuación Matchbox, 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.

  6. (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.

    Las características de los elementos calificados se omiten con el recomendador de puntuación Matchbox, 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.

  7. 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.

  8. 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 entre todos los elementos.

  9. 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.

La opción de buscar usuarios relacionados es útil si se recomienda "personas como usted" o si va a crear un grupo de usuarios similares en los que basar otros tipos de predicciones.

  1. Agregue un modelo de recomendación entrenado al experimento y conéctelo a un recomendador Matchbox entrenado. Debe crear el modelo con el recomendador Train Matchbox.

  2. Tipo de predicción de recomendación: seleccione usuarios relacionados.

  3. Selección de usuarios relacionados: indique cómo va a utilizar el modelo para la puntuación y especifique el grupo de usuarios en el que se basarán las puntuaciones de la manera siguiente:

    • De todos los usuarios: Seleccione esta opción si va a configurar un experimento para usarlo en un servicio web o producción, o si necesita hacer predicciones para los 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.

    • De los usuarios que clasificaron elementos (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 modelo basa sus recomendaciones en los usuarios del conjunto de pruebas que han calificado algunos elementos comunes.

  4. Conecte un conjunto de DataSet que contenga los usuarios para los que se van a generar predicciones. El formato de este conjunto de resultados depende de si se usa el módulo de puntuación en modo de producción o modo de evaluación.

    • Modo de producción, usar desde todos los elementos

      El conjunto de resultados para puntuar debe constar de usuarios para los que desea encontrar usuarios relacionados. La primera y única columna debe contener los identificadores de usuario. Si se incluyen otras columnas, se produce un error. Use el módulo seleccionar columnas de conjunto de DataSet para quitar columnas innecesarias.

    • Modo de evaluación, usar a partir de elementos clasificados (para la evaluación de modelos)

      El conjunto de resultados para puntuar debe constar de 2-3 columnas, que contienen pares de elementos de usuario. La primera columna debe contener identificadores de usuario. La segunda columna debe contener identificadores de elemento. El conjunto de elementos puede incluir una tercera columna de clasificación (por el usuario de la columna 1 para el elemento de la columna 2), pero se omitirá la columna de clasificación.

  5. Número máximo de usuarios relacionados que se van a buscar 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 podría haber menos de 5.

  6. En el modo de evaluación (de los usuarios que califican los elementos), configure estos parámetros adicionales:

    • Número mínimo de elementos que el usuario de la 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 calificado. El valor predeterminado es 2, lo que significa que, como mínimo, ambos usuarios deben haber valorado dos elementos.

    • Tamaño mínimo del grupo de usuarios relacionados 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 dos usuarios que están relacionados en virtud de la clasificación de los mismos elementos, puede considerarlos relacionados y generar una recomendación.

  7. (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 al usuario, como sexo, preferencias, ubicación, etc.

    Las características de los usuarios que han calificado elementos se omiten mediante el recomendador de puntuación Matchbox , ya que estas características ya se han aprendido durante el entrenamiento. Por lo tanto, filtre el conjunto de elementos de antemano para incluir solo usuarios de inicio en frío o usuarios que no hayan calificado ningún elemento.

    Advertencia

    Si el modelo se entrenó sin usar características de usuario, no puede aplicar las características de usuario durante la puntuación.

  8. Opta Si tiene un conjunto de elementos de características, conéctelo a las 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.

    Las características de los elementos calificados se omiten con el recomendador de puntuación Matchbox ya que estas características ya se han aprendido durante el entrenamiento. Por lo tanto, puede restringir el conjunto de resultados de puntuación a elementos de inicio en frío o elementos que no hayan sido calificados por ningún usuario.

    Advertencia

    Si el modelo se entrenó sin usar características de elementos, no utilice características de elemento cuando se realice la puntuación.

  9. Ejecute el experimento.

El conjunto de datos puntuado devuelto por el recomendador de puntuación Matchbox muestra los usuarios que están relacionados con cada usuario 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 establecido en la opción número máximo de usuarios relacionados que se van a buscar para un usuario.

    Los usuarios relacionados se ordenan por la intensidad de la relación con el usuario de destino, con el usuario más relacionado en la columna, el usuario relacionado 1.

Mediante la predicción de elementos relacionados, puede generar recomendaciones para los usuarios basándose en los elementos que ya se han clasificado.

  1. Agregue un modelo de recomendación entrenado al experimento y conéctelo a un recomendador Matchbox entrenado. Debe crear el modelo con el recomendador Train Matchbox.

  2. Tipo de predicción de recomendación: seleccione elementos relacionados.

  3. Conecte un conjunto de DataSet que contenga los usuarios para los que se van a generar predicciones. El formato de este conjunto de resultados depende de si se usa el módulo de puntuación en modo de producción o modo de evaluación.

    • Modo de producción, usar desde todos los elementos

      El conjunto de resultados para puntuar debe constar de elementos para los que desea buscar usuarios relacionados.

      La primera y única columna debe contener los identificadores de elemento. Si se incluyen otras columnas, se produce un error. Use el módulo seleccionar columnas de conjunto de DataSet para quitar columnas innecesarias.

    • Modo de evaluación, usar a partir de elementos clasificados (para la evaluación de modelos)

      El conjunto de resultados para puntuar debe constar de 2-3 columnas, que contienen pares de elementos de usuario. La primera columna debe contener identificadores de usuario. La segunda columna debe contener identificadores de elemento.

      El conjunto de elementos puede incluir una tercera columna de clasificación (por el usuario de la columna 1 para el elemento de la columna 2), pero se omite la columna de clasificación.

  4. Número máximo de elementos relacionados que se van a buscar 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.

  5. Si usa el modo de evaluación (de los usuarios que califican los elementos), configure estos parámetros adicionales:

    • Número mínimo de elementos que debe haber clasificado el elemento de consulta y el elemento relacionado en común: este valor establece un umbral para las recomendaciones. El número que escriba representa el número mínimo de elementos que ha valorado el usuario de destino y algunos usuarios relacionados. El valor predeterminado es 2, lo que significa que, como mínimo, dos elementos deben haber sido calificados por el usuario de destino y el usuario relacionado.

    • Tamaño mínimo del grupo de elementos relacionados 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 dos elementos que están relacionados en virtud de que han sido calificados por los mismos usuarios, puede considerar que están relacionados y generar una recomendación.

  6. (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.

    Las características de los usuarios que han calificado elementos se omiten mediante el recomendador de puntuación Matchbox, 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 aplicar las características de usuario durante la puntuación.

  7. Opta Si tiene un conjunto de elementos de características, puede conectarlo a las características del 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 caracterizan el elemento.

    Las características de los elementos calificados se omiten con el recomendador de puntuación Matchbox, ya que estas características ya se han aprendido durante el entrenamiento. Por lo tanto, puede restringir el conjunto de resultados de puntuación a elementos de inicio en frío o elementos que no hayan sido calificados por ningún usuario.

    Advertencia

    Si el modelo se entrenó sin usar características de elementos, no utilice características de elemento cuando se realice la puntuación.

  8. Opta En un experimento predictivo, puede usar un quinto puerto de entrada, llamado Training DataSet, para quitar los usuarios existentes que se incluyeron en los datos de entrenamiento del modelo de los resultados de predicción.

    Para aplicar este filtro, conecte el conjunto de datos de aprendizaje original al puerto de entrada.

  9. Ejecute el experimento.

El conjunto de datos puntuado devuelto por el recomendador de puntuación Matchbox 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 establecido en la opción número máximo de elementos relacionados que se van a buscar para un elemento.

    Los elementos relacionados se ordenan por la intensidad de la relación con el elemento de destino, con el elemento más relacionado en la columna, elemento relacionado 1.

Notas técnicas

Esta sección contiene respuestas a algunas preguntas comunes sobre el uso del recomendador para crear predicciones.

Usuarios y recomendaciones de inicio en frío

Normalmente, para crear recomendaciones, el módulo score Matchbox recomiended 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 Matchbox

Si ha experimentado el recomendador 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.

    La razón es que, para recomendar solo los elementos que no se han clasificado, el recomendador necesitaría 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

Actualmente no se admite la actualización en línea (o el entrenamiento continuo) de un modelo de recomendación en Azure Machine Learning. Si desea capturar las respuestas de los usuarios a las recomendaciones y utilizarlas para mejorar el modelo, se recomienda volver a entrenar el modelo completo periódicamente. No es posible el entrenamiento incremental, pero puede aplicar una ventana deslizante a los datos de entrenamiento para asegurarse de que el volumen de datos se minimice mientras usa 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 List Tipo de predicción Recomendación de elemento Especificar el tipo de predicción que el recomendador debe obtener
Selección de elementos recomendados List 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 List 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 List [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 los errores específicos de los módulos de Studio (clásico), consulte Machine Learning de los códigos de error.

Para obtener una lista de excepciones de API, consulte códigos de error de la API de REST de machine learning.

Vea también

Entrenar el recomendador Matchbox
Evaluar el recomendador
Puntuación