MatrixFactorizationTrainer Classe

Definizione

public sealed class MatrixFactorizationTrainer : Microsoft.ML.IEstimator<Microsoft.ML.Trainers.Recommender.MatrixFactorizationPredictionTransformer>, Microsoft.ML.Trainers.ITrainerEstimator<Microsoft.ML.Trainers.Recommender.MatrixFactorizationPredictionTransformer,Microsoft.ML.Trainers.Recommender.MatrixFactorizationModelParameters>

type MatrixFactorizationTrainer = class
    interface ITrainerEstimator<MatrixFactorizationPredictionTransformer, MatrixFactorizationModelParameters>
    interface IEstimator<MatrixFactorizationPredictionTransformer>

Public NotInheritable Class MatrixFactorizationTrainer
Implements IEstimator(Of MatrixFactorizationPredictionTransformer), ITrainerEstimator(Of MatrixFactorizationPredictionTransformer, MatrixFactorizationModelParameters)

Ereditarietà

Object

MatrixFactorizationTrainer

Implementazioni

IEstimator<MatrixFactorizationPredictionTransformer> IEstimator<TTransformer> ITrainerEstimator<MatrixFactorizationPredictionTransformer,MatrixFactorizationModelParameters>

Commenti

Per creare questo formatore, usare MatrixFactorization o MatrixFactorization(Options).To create this trainer, use MatrixFactorization or MatrixFactorization(Options).

Colonne di input e output

Sono necessarie tre colonne di input, una per gli indici di riga matrice, una per gli indici di colonna matrice e una per i valori (ad esempio le etichette) nella matrice. Insieme definiscono una matrice in formato COO . Il tipo per la colonna label è un vettore di Single mentre le altre due colonne sono scalari di tipo chiave.

Caratteristiche del trainer

Sfondo

L'idea di base della fattorizzazione della matrice consiste nel trovare due matrici di fattori di basso rango per approssimare la matrice di training. In questo modulo, i dati di training previsti (la matrice fattorizzata) sono un elenco di tuple. Ogni tupla è costituita da un indice di colonna, un indice di riga e il valore nella posizione specificata dai due indici. Per una struttura di dati di esempio di una tupla, è possibile usare:

// The following variables defines the shape of a m-by-n matrix. Indexes start with 0; that is, our indexing system
// is 0-based.
const int m = 60;
const int n = 100;

// A tuple of row index, column index, and rating. It specifies a value in the rating matrix.
class MatrixElement
{
    // Matrix column index starts from 0 and is at most n-1.
    [KeyType(n)]
    public uint MatrixColumnIndex;
    // Matrix row index starts from 0 and is at most m-1.
    [KeyType(m)]
    public uint MatrixRowIndex;
    // The rating at the MatrixColumnIndex-th column and the MatrixRowIndex-th row.
    public float Value;
}

Si noti che non è necessario specificare tutte le voci nella matrice di training, quindi la fattorizzazione della matrice può essere usata per riempire i valori mancanti. Questo comportamento è molto utile quando si creano sistemi di raccomandazione.

Per comprendere meglio gli usi pratici della fattorizzazione della matrice, si consideri la raccomandazione musicale come esempio. Si supponga che gli ID utente e gli ID musica vengano usati rispettivamente come indici di riga e colonna e che i valori della matrice siano classificazioni fornite da tali utenti. Ovvero, la valutazione $r$ alla riga $u$ e alla colonna $v$ significa che l'utente $u$ assegna $r$ all'elemento $v$. Una matrice incompleta è molto comune perché non tutti gli utenti possono fornire i loro feedback a tutti i prodotti (ad esempio, nessuno può valutare dieci milioni di canzoni). Si supponga che $R\in{\mathbb R}^{m\times n}$ sia una matrice di valutazione m-by-n e che il rango delle due matrici a due fattori sia $P\in {\mathbb R}^{k\times m}$ e $Q\in {\mathbb R}^{k\times n}$, dove $k$ è il rango di approssimazione. La valutazione stimata nella riga $u$-th e la colonna $v$-th in $R$ sarebbe il prodotto interno della riga $u$-th di $P$ e della $v$-th riga di $Q$; ovvero, $R$ è approssimativo dal prodotto della trasposizione di $P$($P^T$) e $Q$. Si noti che $k$ è in genere molto più piccolo di $m$ e $n$, quindi $P^T Q$ è in genere chiamata approssimazione di basso rango di $R$.

Questo formatore include un metodo sfumato stocastico e un metodo di discesa delle coordinate per trovare $P$ e $Q$ riducendo al minimo la distanza tra (parte non mancante di) $R$ e la relativa approssimazione $P^T Q$. Il metodo di discesa delle coordinate incluso è specifico per la fattorizzazione della matrice a una classe, in cui tutte le classificazioni osservate sono segnali positivi ( ovvero tutti i valori di classificazione sono 1). Si noti che l'unico modo per richiamare una matrice di fattorizzazione consiste nell'assegnare una perdita quadrata a una classe alla funzione di perdita quando si chiama MatrixFactorization(Options). Vedere La pagina 6 e la pagina 28 sono disponibili qui per una breve introduzione alla fattorizzazione della matrice standard e alla fattorizzazione di una matrice a una classe. L'impostazione predefinita induce la fattorizzazione della matrice standard. La libreria sottostante usata in ML.NET fattorizzazione della matrice è disponibile in un repository GitHub.

Per gli utenti interessati ai dettagli matematici, vedere i riferimenti seguenti.

• Per l'implementazione multithreading del metodo sfumato stocastico usato, vedere Metodo sfumato stocastico rapido parallelo per la factorizzazione della matrice nei sistemi di memoria condivisa.
• Per il calcolo eseguito all'interno di un singolo thread, vedere Pianificazione della frequenza di apprendimento per i metodi sfumati stocastici alla factorizzazione della matrice.
• Per il metodo di discesa delle coordinate parallele usato e la formula di fattorizzazione della matrice a una classe, vedere Selection of Negative Samples for One-class Matrix Factorization .For the parallel coordinate descent method used and one-class matrix factorization formula, see Selection of Negative Samples for One-class Matrix Factorization.For the parallel coordinate descent method used and one-class matrix factorization, see Selection of Negative Samples for One-class Matrix
• Per informazioni dettagliate sulla libreria sottostante usata, vedere LIBMF: A Library for Parallel Matrix Factorization in Shared-Memory Systems.For details in the sottostant library used, see LIBMF: A Library for Parallel Matrix Factorization in Shared-Memory Systems.

Vedere anche la sezione Vedere anche i collegamenti agli esempi di utilizzo.

Vedi anche

• MatrixFactorizationTrainer.Options
• MatrixFactorization(String, String, String, Int32, Double, Int32)
• MatrixFactorization(MatrixFactorizationTrainer+Options)