ML.NET 作為 .NET 跨平臺的機器學習套件，在回歸、預測、分類甚至是圖像識別、異常檢測都展現(xiàn)出簡潔快速的優(yōu)勢，以往的文章已介紹過不再贅述。其實機器學習場景中還有一類非常常見的，就是推薦，特別是在線購物、文娛產品為了提升用戶體驗，一個比較好的主意就是讓用戶優(yōu)先看到他需要的物品、內容，甚至提供用戶意料之外又情理之中的產商品。推薦算法正好能夠通過數據實現(xiàn)這一目標。

?

?

?

如上圖所示，如果我們有用戶、商品的購買關系，并且還有用戶的評級、評分、評價內容，那么矩陣因子分解算法非常適用。如果我們還能獲取到商品本身的一些屬性，比如名稱、分類、簡介、價格的話，那么場感知分解機算法就能發(fā)揮特別好的作用。當然，推薦算法比較難的就是冷啟動階段，可能什么數據都沒有，初始階段沒有更多選擇，那么也只能從相似用戶消費記錄入手做推薦了，獲取用戶與購買商品編號的對應關系也算是容易的，此時用得比較多的是一類矩陣因子分解算法。仍然舉一個例子，剛剛營業(yè)的某書店，基于借閱書的記錄，我們給借了《三國志》的讀者小強推薦同樣借過這本書的小王借看的其他書，可能不一定是名著，不過沒關系，這足夠達到推薦的效果，因為算法背后的邏輯是相信他們總有其他書是都喜歡看的。

了解到前面的背景知識后，回頭我們再看看 ML.NET 的推薦引擎，它同時支持矩陣因子分解和場感知分解算法，官網文檔在《教程：使用矩陣因子分解和 ML.NET 生成影片推薦系統(tǒng)》有過詳細的介紹。Sergey Tihon 在 ML.NET 的 Github 倉庫中提過一個 Issue，詳見《"Label" for One-Class Matrix Factorization #873》，其中談到了 ML.NET 推薦引擎中一類矩陣因子分解算法存在一處缺陷。具體來看 MatrixFactorizationTrainer 類的詳情，針對一類矩陣因子分解，在梯度下降時默認觀測值都是表示正向的1，而平方誤差函數調用的是MatrixFactorization將按枚舉值傳遞給損失函數。參看《Matrix Factorization and Factorization Machines for Recommender Systems》，注意到以下這一頁，預測標簽始終為1。

?所以如果數據集沒有更多的特征可用，我們必須指定矩陣因子工廠并提供對應的參數值1而不是按默認的枚舉值生成 Trainer。修復后的示例參見：《Fix Label column meaning in Recommendation sample》。

創(chuàng)作挑戰(zhàn)賽新人創(chuàng)作獎勵來咯，堅持創(chuàng)作打卡瓜分現(xiàn)金大獎

總結

以上是生活随笔為你收集整理的ML.NET 推荐引擎中一类矩阵因子分解的缺陷的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。