Skor Pemberi Rekomendasi SVD
Artikel ini menjelaskan cara menggunakan komponen Skor Pemberi Rekomendasi SVD dalam perancang Azure Machine Learning. Gunakan komponen ini untuk membuat prediksi dengan menggunakan model rekomendasi terlatih berdasarkan algoritma Single Value Decomposition (SVD).
Pemberi rekomendasi SVD dapat menghasilkan dua jenis prediksi yang berbeda:
Saat membuat prediksi jenis kedua, Anda dapat beroperasi di salah satu mode berikut:
Mode produksi mempertimbangkan semua pengguna atau item. Biasanya digunakan di layanan web.
Anda dapat membuat skor untuk pengguna baru, bukan hanya pengguna yang terlihat selama pelatihan. Untuk mengetahui informasi selengkapnya, lihat bagian catatan teknis.
Mode evaluasi beroperasi pada kumpulan pengguna atau item yang berkurang yang dapat dievaluasi. Biasanya digunakan selama operasi alur.
Untuk informasi selengkapnya tentang algoritma pemberi rekomendasi SVD, lihat makalah penelitian Teknik faktorisasi matriks untuk sistem pemberi rekomendasi.
Cara mengonfigurasi Skor Pemberi Rekomendasi SVD
Komponen ini mendukung dua jenis prediksi, masing-masing dengan persyaratan yang berbeda.
Prediksi peringkat
Ketika Anda memprediksi peringkat, model menghitung bagaimana pengguna tertentu akan bereaksi terhadap item tertentu sesuai data pelatihan. Data input untuk penilaian harus menyediakan pengguna dan item yang akan dinilai.
Tambahkan model rekomendasi terlatih ke alur Anda, dan sambungkan ke Pemberi rekomendasi SVD terlatih. Anda harus membuat model dengan menggunakan komponen Latih Pemberi Rekomendasi SVD.
Untuk Jenis prediksi pemberi rekomendasi, pilih Prediksi Peringkat. Tidak diperlukan parameter lain.
Tambahkan data yang ingin Anda buat prediksinya dan sambungkan ke Himpunan data yang akan dinilai.
Agar model memprediksi peringkat, himpunan data input harus berisi pasangan pengguna-item.
Himpunan data dapat berisi kolom peringkat ketiga opsional untuk pasangan pengguna-item di kolom pertama dan kedua. Tetapi kolom ketiga akan diabaikan selama prediksi.
Kirim alur.
Hasil untuk prediksi peringkat
Himpunan data output berisi tiga kolom: pengguna, item, dan peringkat yang diprediksi untuk setiap pengguna input dan item.
Rekomendasi untuk pengguna
Untuk merekomendasikan item untuk pengguna, Anda menyediakan daftar pengguna dan item sebagai input. Dari data ini, model ini menggunakan pengetahuannya tentang item dan pengguna yang ada untuk menghasilkan daftar item dengan daya tarik yang mungkin bagi setiap pengguna. Anda dapat menyesuaikan jumlah rekomendasi yang ditampilkan. Selain itu, Anda dapat menetapkan ambang untuk jumlah rekomendasi sebelumnya yang diperlukan untuk membuat rekomendasi.
Tambahkan model rekomendasi terlatih ke alur Anda, dan sambungkan ke Pemberi rekomendasi SVD terlatih. Anda harus membuat model dengan menggunakan komponen Latih Pemberi Rekomendasi SVD.
Untuk merekomendasikan item untuk daftar pengguna tertentu, atur Jenis prediksi pemberi rekomendasi ke Rekomendasi Item.
Untuk Pilihan item yang direkomendasikan, tunjukkan apakah Anda menggunakan komponen skor dalam produksi atau untuk evaluasi model. Pilih salah satu dari nilai berikut:
Dari Semua Item: Pilih opsi ini jika Anda menyiapkan alur untuk digunakan dalam layanan web atau dalam produksi. Opsi ini akan mengaktifkan mode produksi. Komponen membuat rekomendasi dari semua item yang terlihat selama pelatihan.
Dari Item Berperingkat (untuk evaluasi model) : Pilih opsi ini jika Anda mengembangkan atau menguji model. Opsi ini akan mengaktifkan mode evaluasi. Komponen membuat rekomendasi hanya dari item tersebut dalam himpunan data input yang telah dinilai.
Dari Item Tidak Berperingkat (untuk menyarankan item baru kepada pengguna) : Pilih opsi ini jika Anda ingin komponen membuat rekomendasi hanya dari item tersebut dalam himpunan data latihan yang belum dinilai.
Tambahkan himpunan data yang ingin Anda buat prediksinya dan sambungkan ke Himpunan Data untuk memperoleh hitungan.
Untuk Dari Semua Item, himpunan data input harus terdiri dari satu kolom. Ini berisi pengidentifikasi pengguna yang membuat rekomendasi.
Himpunan data dapat menyertakan tambahan dua kolom pengidentifikasi dan peringkat item, tetapi kedua kolom ini akan diabaikan.
Untuk Dari Item Berperingkat (untuk evaluasi model) , himpunan data input harus terdiri dari pasangan pengguna-item. Kolom pertama harus berisi ID pengguna. Kolom kedua harus berisi pengidentifikasi item terkait.
Himpunan data bisa menyertakan kolom ketiga peringkat pengguna-item, tetapi kolom ini akan diabaikan.
Untuk Dari Item Tidak Berperingkat (untuk menyarankan item baru kepada pengguna) , himpunan data input harus terdiri dari pasangan pengguna-item. Kolom pertama harus berisi ID pengguna. Kolom kedua harus berisi pengidentifikasi item terkait.
Himpunan data bisa menyertakan kolom ketiga peringkat pengguna-item, tetapi kolom ini akan diabaikan.
Jumlah maksimum item yang akan direkomendasikan kepada pengguna: Masukkan jumlah item yang akan ditampilkan untuk setiap pengguna. Secara default, komponen merekomendasikan lima item.
Jumlah minimum kumpulan rekomendasi per pengguna: Masukkan nilai yang menunjukkan berapa banyak rekomendasi sebelumnya yang diperlukan. Secara default, parameter ini diatur ke 2, yang berarti item harus direkomendasikan oleh setidaknya dua pengguna lain.
Gunakan opsi ini hanya jika Anda melakukan penilaian dalam mode evaluasi. Opsi ini tidak tersedia jika Anda memilih Dari Semua Item atau Dari Item Tidak Berperingkat (untuk menyarankan item baru kepada pengguna) .
Untuk Dari Item Tidak Berperingkat (untuk menyarankan item baru kepada pengguna) , gunakan port input ketiga, bernama Data Pelatihan, untuk menghapus item yang telah dinilai dari hasil prediksi.
Untuk menerapkan filter ini, sambungkan himpunan data pelatihan asli ke port input.
Kirim alur.
Hasil rekomendasi item
Himpunan data yang dinilai yang ditampilkan oleh Skor Pemberi Rekomendasi SVD mencantumkan item yang direkomendasikan untuk setiap pengguna:
- Kolom pertama berisi ID pengguna.
- Sejumlah kolom tambahan dibuat bergantung pada nilai yang Anda tetapkan untuk Jumlah item maksimum yang direkomendasikan kepada pengguna. Setiap kolom berisi item yang direkomendasikan (menurut pengidentifikasi). Rekomendasi diurutkan berdasarkan afinitas pengguna-item. Item dengan afinitas tertinggi dimasukkan ke dalam kolom Item 1.
Catatan teknis
Jika Anda memiliki alur pipeline dengan pemberi rekomendasi SVD, dan Anda memindahkan model ke produksi, ketahuilah bahwa ada perbedaan utama antara menggunakan pemberi rekomendasi dalam mode evaluasi dan menggunakannya dalam mode produksi.
Evaluasi, menurut definisi, membutuhkan prediksi yang dapat diverifikasi berdasarkan kebenaran dasar dalam set pengujian. Saat Anda mengevaluasi pemberi rekomendasi, hal ini harus memprediksi hanya item yang telah dinilai dalam set pengujian. Tindakan ini membatasi kemungkinan nilai yang diprediksi.
Ketika menjalankan model, Anda biasanya mengubah mode prediksi untuk membuat rekomendasi berdasarkan semua item yang mungkin, untuk mendapatkan prediksi terbaik. Untuk banyak prediksi ini, tidak ada kebenaran dasar yang sesuai. Jadi akurasi rekomendasi tidak dapat diverifikasi dengan cara yang sama seperti selama operasi alur.
Langkah berikutnya
Lihat set komponen yang tersedia untuk Azure Machine Learning.