Machine learning 无评级推荐（Azure ML）

我正在尝试建立一个实验来创建推荐（使用电影分级示例数据库），但不使用分级。我只是想，如果一个用户已经评价了某些电影，那么他会对其他电影也感兴趣，这些电影已经被评价过他的电影的用户评为。 例如，我可以考虑评级是1（存在于数据库中）或0（不存在），但在那种情况下，我如何变换初始数据来反映这一点？

---

我找不到任何关于这种场景的示例或教程，我也不知道如何继续。我应该在将数据注入算法之前对其进行转换吗？和/或我应该使用哪种特定算法？

如果您希望在AML中使用Matchbox Recommender，那么您需要确定一些原始数据集中不存在的用户电影对，并以零评级添加这些。（我假设您已经将所有真实用户电影对设置为一级，如上所述。）

我建议生成一些随机候选对，并在executer（或Python）脚本模块的训练数据中确认它们的缺失。我不知道数据集功能的名称，但下面是R中的一些伪代码：

library(dplyr)
df <- maml.mapInputPort(1)  # input dataset of observed user-movie pairs
all_movies <- unique(df[['movie']])
all_users <- unique(df[['user']])
n <- 30  # number of random pairs to start with

negative_observations <- data.frame(movie = sample(all_movies, n, replace=TRUE),
                                    user = sample(all_users, n, replace=TRUE),
                                    rating = rep(0, n))          
acceptable_negative_observations <- anti_join(unique(negative_observations), df, by=c('movie', 'user'))
df <- rbind(df, acceptable_negative_observations)
maml.mapOutputPort("df");

库（dplyr）
df您所说的“转换初始数据”是什么意思？对于一个简单的实验来说，评分的二进制表示（比如你建议的那个）就足够了（一个好的表示）。从这里，您可以了解协作过滤的一个简单实现。我的困惑更多的是如何将一个值与不存在的数据关联，因为数据库中的所有评级都是“1”，这是获得“0”评级的唯一方法它不存在于数据中……您可以将值存储在稀疏矩阵中（用户X电影）。这样，您就不需要表示在Azure ML Studio中可以转换为稀疏矩阵的0’s？但是，如果数据不存在于所有组合中，那么默认行为是什么？Azure ML只固定了评级=1，就是这样..，无需计算并添加到行数据集（评级=0）