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生成 Trainer。修复后的示例参见：《Fix Label column meaning in Recommendation sample》。
"Label" for One-Class Matrix Factorization #873
标签：ML,矩阵,算法,因子,分解,NET 来源： https://www.cnblogs.com/BeanHsiang/p/14258875.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。