招聘网站上找在家做,哈尔滨网站制作哪家好薇,网站建设公司名字,k8team wordpressML.NET 作为 .NET 跨平台的机器学习套件#xff0c;在回归、预测、分类甚至是图像识别、异常检测都展现出简洁快速的优势#xff0c;以往的文章已介绍过不再赘述。其实机器学习场景中还有一类非常常见的#xff0c;就是推荐#xff0c;特别是在线购物、文娱产品为了提升用户… ML.NET 作为 .NET 跨平台的机器学习套件在回归、预测、分类甚至是图像识别、异常检测都展现出简洁快速的优势以往的文章已介绍过不再赘述。其实机器学习场景中还有一类非常常见的就是推荐特别是在线购物、文娱产品为了提升用户体验一个比较好的主意就是让用户优先看到他需要的物品、内容甚至提供用户意料之外又情理之中的产商品。推荐算法正好能够通过数据实现这一目标。 如上图所示如果我们有用户、商品的购买关系并且还有用户的评级、评分、评价内容那么矩阵因子分解算法非常适用。如果我们还能获取到商品本身的一些属性比如名称、分类、简介、价格的话那么场感知分解机算法就能发挥特别好的作用。当然推荐算法比较难的就是冷启动阶段可能什么数据都没有初始阶段没有更多选择那么也只能从相似用户消费记录入手做推荐了获取用户与购买商品编号的对应关系也算是容易的此时用得比较多的是一类矩阵因子分解算法。仍然举一个例子刚刚营业的某书店基于借阅书的记录我们给借了《三国志》的读者小强推荐同样借过这本书的小王借看的其他书可能不一定是名著不过没关系这足够达到推荐的效果因为算法背后的逻辑是相信他们总有其他书是都喜欢看的。了解到前面的背景知识后回头我们再看看 ML.NET 的推荐引擎它同时支持矩阵因子分解和场感知分解算法官网文档在《教程使用矩阵因子分解和 ML.NET 生成影片推荐系统》有过详细的介绍。Sergey Tihon 在 ML.NET 的 Github 仓库中提过一个 Issue详见《Label for One-Class Matrix Factorization #873》其中谈到了 ML.NET 推荐引擎中一类矩阵因子分解算法存在一处缺陷。具体来看 MatrixFactorizationTrainer 类的详情针对一类矩阵因子分解在梯度下降时默认观测值都是表示正向的1而平方误差函数调用的是MatrixFactorization将按枚举值传递给损失函数。参看《Matrix Factorization and Factorization Machines for Recommender Systems》注意到以下这一页预测标签始终为1。 所以如果数据集没有更多的特征可用我们必须指定矩阵因子工厂并提供对应的参数值1而不是按默认的枚举值生成 Trainer。修复后的示例参见《Fix Label column meaning in Recommendation sample》。
