通过

训练 Wide & Deep 推荐器

  • 项目

本文介绍如何使用 Azure 机器学习设计器中的“训练 Wide & Deep 推荐器”组件来训练推荐模型。 此组件基于 Wide & Deep 学习（由 Google 建议）。

“训练 Wide & Deep 推荐器”组件可读取用户-项-分级三元组的数据集，并可选择读取一些用户和项功能。 它返回训练后的 Wide & Deep 推荐器。 然后，可以通过为 Wide and Deep 推荐器评分组件使用训练后的模型来生成分级预测或建议。

有关建议模型和 Wide & Deep 推荐器的详细信息

建议系统的主要目标是向系统的用户推荐一个或多个项目。 项目示例可能为电影、餐馆、书籍或歌曲。 用户可以是具有项目首选项的人员、一组人员或其他实体。

推荐器系统有两种主要方法。

  • 第一种是“基于内容”方法，该方法同时使用用户和项目的特性。 可以按年龄和性别等属性来描述用户，可按作者和制造商等属性来描述项。 你可以在社交婚介网站上找到基于内容的建议系统的典型示例。
  • 第二种方法是“协作筛选”，它仅使用用户和项的标识符，并从用户对项给出的评分的（稀疏）矩阵中获取有关这些实体的隐含信息。 我们可以通过某个用户已评级的项目以及对相同项目进行了评级的其他用户来了解该用户。

Wide & Deep 推荐器将这些方法结合在一起，即结合使用协作筛选和基于内容的方法。 因此，它被视为“混合推荐器”。

工作原理：如果用户对系统而言相对“较新”（系统尚未获取多少用户信息），可通过使用有关用户的特征信息来改进预测，从而解决众所周知的“冷启动”问题。 但是，一旦从特定用户收集了足够数量的评分，就可以根据特定评分而不是仅根据他们的特征对其进行完全个性化的预测。 因此，可从基于内容的建议平稳过渡到基于协同筛选的建议。 即使用户或项目特征不可用，Wide & Deep 推荐器仍会在协同筛选模式下运行。

有关 Wide & Deep 推荐器及基础概率算法的更多详细信息，请参阅相关研究论文：推荐器系统的 Wide & Deep 学习。

如何配置“训练 Wide & Deep 推荐器”

准备数据

尝试使用该组件之前，请确保你的数据为推荐模型的预期格式。 需要“用户-项-评分”三元组的训练数据集，也可以在单独的数据集中分别包含用户特征和项目特征（如果可用）。

所需的用户-项-评分数据集

用于训练的输入数据必须包含正确格式的正确数据类型：

  • 第一列必须包含用户标识符。
  • 第二列必须包含项目标识符。
  • 第三列包含用户-项目对的评级。 评级值必须是数字类型的。

例如，一组典型的用户-项-评分可能如下所示：

UserId MovieId Rating
1 68646 10
223 31381 10

用户功能数据集（可选）

“用户特征”的数据集必须包含用户的标识符，并使用用户-项-评分数据集第一列中提供的相同标识符。 其余列可以包含任意数量的用于描述用户的特征。

例如，一组典型的用户功能可能如下所示：

UserId Age 性别 兴趣 位置
1 25 男 戏剧 欧洲
223 40 女 浪漫 亚洲

项目特征数据集（可选）

项目特征的数据集必须在其第一列中包含项标识符。 其余列可以包含任意数量的项目的描述性特征。

例如，一组典型的项目特征可能如下所示：

MovieId 标题 源语言 流派 年龄
68646 教父 英语 戏剧 1972
31381 飘 英语 历史记录 1939

定型模型

  1. 在设计器中将“训练 Wide and Deep 推荐器”组件添加到你的试验，并将其连接到训练数据集。

  2. 如果你有一个单独的包含用户特征和/或项目特征的数据集，请将其连接到“训练 Wide and Deep 推荐器”组件。

    • 用户特征数据集：将描述用户的数据集连接到第二个输入。
    • 项目特征数据集：将描述项的数据集连接到第三个输入。

  3. 时期：指示算法应处理整个训练数据的次数。

    这个数字越高，训练就越充分；但是，训练会花费更多的时间，并可能导致过度拟合。

  4. 批处理大小：键入一个训练步骤中使用的训练示例数。

    此超参数会影响训练速度。 批处理越大，时间成本时期越短，但可能会增加收敛时间。 如果批太大，不适合 GPU/CPU，可能会引发内存错误。

  5. Wide 部分优化器：选择一个优化器，对模型的 wide 部分应用梯度。

  6. Wide 优化器学习速率：输入 0.0 和 2.0 之间的数字，该数字定义 wide 部分优化器的学习速率。

    此超参数确定每个训练步骤的步骤大小，同时不断接近损失函数的最小值。 学习速过高可能导致学习跳升超过最小值，而学习率过小可能会导致收敛问题。

  7. 交叉特征维度：通过输入所需的用户 ID 和项目 ID 特征来键入此维度。

    默认情况下，Wide & Deep 推荐器将对用户 ID 和项目 ID 功能执行跨产品转换。 将根据此数字对交叉结果进行哈希处理，以确保维持该维度。

  8. Deep 部分优化器：选择一个优化器，对模型的 deep 部分应用梯度。

  9. Deep 优化器学习速率：输入介于 0.0 和 2.0 之间的数字，该数字定义 deep 部分优化器的学习速率。

  10. 用户嵌套维度：键入整数以指定用户 ID 嵌套的维度。

    Wide & Deep 推荐器将为 Wide 部分和 Deep 部分创建共享的用户 ID 嵌套和项目 ID 嵌套。

  11. 嵌套维度：键入整数以指定项目 ID 嵌套的维度。

  12. 分类特征嵌套维度：输入整数以指定分类特征嵌套的维度。

    在 Wide & Deep 推荐器的 deep 组件中，会针对每个分类特征习得一个嵌套矢量。 这些嵌套矢量具有相同的维度。

  13. 隐藏单位：键入 deep 组件的隐藏节点数。 每个层中的节点数用逗号分隔。 例如，可以通过类型“1000,500,100”指定 deep 组件有三个层，第一层到最后一层分别有 1000 个节点、500 个节点和 100 个节点。

  14. 激活函数：选择一个应用于每个层的激活函数，默认值为 ReLU。

  15. 丢弃：输入 0.0 和 1.0 之间的数字，以确定训练期间每个层中丢弃输出的概率。

    丢弃是一种可以防止神经网络过度拟合的正则化方法。 关于此值的一个常见决策是从 0.5 开始，对于许多网络和任务而言，这一值似乎都接近最优值。

  16. 批标准化：选择此选项可在 deep 组件中的每个隐藏层之后使用批标准化。

    批标准化是应对网络训练中内部协变量偏移问题的一种技术。 一般来说，它可以帮助提高网络的速度、性能和稳定性。

  17. 运行管道。

技术说明

Wide & Deep 联合训练广义线性模型和深度神经网络，结合了记忆和泛华的优点。 Wide 组件接受一组原始特征和特征转换来记忆特征交互。 使用弱化特征工程时，deep 组件通过低维密集特征嵌套，泛化为前所未见的特征组合。

在 Wide & Deep 推荐器的实现中，该组件使用默认模型结构。 Wide 组件将用户嵌套、项目嵌套以及用户 ID 和项目 ID 的跨产品转换作为输入使用。 对于模型的 Deep 部分，系统将为每个分类特征习得一个嵌套矢量。 这些矢量随后与其他数值特征矢量一起，被馈入深层前馈神经网络。 通过汇总 wide 部分和 deep 部分的最终输出对数几率，并将其作为预测（最终将其转入常见损失函数用于联合训练）来合并这两个部分。

后续步骤

请参阅 Azure 机器学习的可用组件集。