Melatih Pemberi Rekomendasi SVD
Artikel ini menjelaskan cara menggunakan komponen Latih Pemberi Rekomendasi SVD dalam perancang Azure Machine Learning. Gunakan komponen ini untuk melatih model rekomendasi berdasarkan algoritma Single Value Decomposition (SVD).
Komponen Latih Pemberi Rekomendasi SVD membaca himpunan data peringkat item pengguna tiga kali lipat. Modul tersebut menampilkan peemberi rekomendasi SVD terlatih. Anda kemudian dapat menggunakan model terlatih untuk memprediksi peringkat atau membuat rekomendasi, dengan menghubungkan komponen Memberi Skor Pemberi Rekomendasi SVD.
Informasi lebih lanjut tentang model rekomendasi dan pemberi rekomendasi SVD
Tujuan utama sistem rekomendasi adalah untuk merekomendasikan satu atau lebih item ke pengguna sistem. Contoh item dapat berupa film, restoran, buku, atau lagu. Pengguna dapat berupa orang, grup orang, atau entitas lainnya dengan preferensi item.
Terdapat dua pendekatan utama untuk sistem pemberi rekomendasi:
- Pendekatan berbasis konten memanfaatkan fitur untuk pengguna dan item. Pengguna dapat dideskripsikan berdasarkan properti seperti umur dan jenis kelamin. Item dapat dideskripsikan berdasarkan properti seperti pembuat dan produsen. Anda dapat menemukan contoh umum sistem rekomendasi berbasis konten pada situs pencocokan sosial.
- Pemfilteran kolaboratif hanya menggunakan pengidentifikasi pengguna dan item. Pemfilteran tersebut mendapatkan informasi tersirat tentang entitas tersebut dari matriks peringkat (yang tersebar) yang diberikan oleh pengguna kepada item tersebut. Kami dapat mempelajari pengguna dari item yang telah mereka beri peringkat dan dari pengguna lainnya yang telah memberi peringkat pada item yang sama.
Pemberi rekomendasi SVD menggunakan pengidentifikasi pengguna dan item, serta matriks peringkat yang diberikan oleh pengguna kepada item tersebut. Inilah yang disebut pemberi rekomendasi kolaboratif.
Untuk informasi lebih lanjut tentang pemberi rekomendasi SVD, lihat makalah penelitian yang relevan: Teknik faktorisasi matriks untuk sistem pemberi rekomendasi.
Cara mengonfigurasi Melatih Pemberi Rekomendasi SVD
Menyiapkan Data
Sebelum menggunakan komponen, data input Anda harus dalam format yang diharapkan model rekomendasi. Himpunan data pelatihan pasangan pengguna-item-peringkat diperlukan.
- Kolom pertama berisi pengidentifikasi pengguna.
- Kolom kedua berisi pengidentifikasi item.
- Kolom ketiga berisi peringkat untuk pasangan pengguna-item. Nilai peringkat harus berupa jenis numerik.
Himpunan data Peringkat Film pada perancang Azure Machine Learning (pilih Himpunan Data, kemudian Sampel) menunjukkan format yang diharapkan:
Dari sampel ini, Anda dapat melihat bahwa seorang pengguna telah memberi peringkat untuk beberapa film.
Melatih model
Tambahkan komponen Latih Pemberi Rekomendasi SVD ke alur Anda di perancang, dan hubungkan ke data pelatihan.
Untuk Jumlah faktor, tentukan jumlah faktor yang akan digunakan dengan pemberi rekomendasi.
Setiap faktor mengukur seberapa besar pengguna tersebut terhubung dengan item. Jumlah faktor juga merupakan kematraan ruang faktor laten. Dengan meningkatnya jumlah pengguna dan item, sebaiknya tetapkan jumlah faktor yang lebih besar. Tetapi jika jumlahnya terlalu besar, kinerja dapat menurun.
Jumlah iterasi algoritma rekomendasi menandakan berapa kali algoritma harus memproses data input. Semakin tinggi angkanya, semakin akurat prediksinya. Namun, angka yang lebih tinggi menandakan pelatihan yang lebih lambat. Nilai default adalah 30.
Untuk Laju pembelajaran, masukkan angka antara 0,0 dan 2,0 yang menentukan ukuran langkah pembelajaran.
Laju pembelajaran menentukan ukuran langkah di setiap iterasi. Jika ukuran langkah terlalu besar, Anda mungkin melampaui solusi optimal. Jika ukuran langkah terlalu kecil, pelatihan membutuhkan waktu lebih lama untuk menemukan solusi terbaik.
Kirim alur.
Hasil
Setelah pekerjaan alur selesai, untuk menggunakan model pemberian skor, sambungkan Melatih Rekomendasi SVD ke Memberi skor rekomendasi SVD, untuk memprediksi nilai contoh input baru.
Langkah berikutnya
Lihat set komponen yang tersedia untuk Azure Machine Learning.