【51CTO.com快譯】推薦系統(tǒng)用于從零售、新聞到媒體的各行各業(yè)。如果你之前用過根據(jù)你之前看過或買過的內(nèi)容提供建議的流媒體服務(wù)或電子商務(wù)網(wǎng)站，就與推薦系統(tǒng)打過交道。由于大量數(shù)據(jù)可供使用，許多公司將推薦系統(tǒng)作為關(guān)鍵的收入驅(qū)動因素。然而找到合適的推薦算法對數(shù)據(jù)科學(xué)家來說可能很耗時。這就是為什么微軟提供了附帶Python***實踐示例的GitHub存儲庫，便于用Azure Machine Learning服務(wù)構(gòu)建和評估推薦系統(tǒng)。

什么是推薦系統(tǒng)?

推薦系統(tǒng)主要有兩種：協(xié)作過濾和基于內(nèi)容的過濾。協(xié)作過濾(常用于電子商務(wù)場景)識別用戶與他們評價的品類之間的交互，從而推薦他們之前并未見過的新品類?；趦?nèi)容的過濾(常被流媒體服務(wù)使用)識別有關(guān)用戶概況或品類描述的特點，以便推薦新內(nèi)容。這兩種方法還可以組合成一種混合方法。

推薦系統(tǒng)使客戶在商家網(wǎng)站上停留的時間更長，他們與更多的產(chǎn)品/內(nèi)容進(jìn)行交互，并推薦客戶可能購買的產(chǎn)品或內(nèi)容。下面，我們將介紹這個存儲庫是什么、如何為構(gòu)建和實施推薦系統(tǒng)的數(shù)據(jù)科學(xué)家減少麻煩。

為數(shù)據(jù)科學(xué)家簡化流程

推薦算法GitHub存儲庫提供了用于構(gòu)建推薦系統(tǒng)的示例和***實踐，以Jupyter筆記本的形式來提供。這些示例詳細(xì)介紹了我們對五項關(guān)鍵任務(wù)的了解：

• 數(shù)據(jù)準(zhǔn)備：為每種推薦算法準(zhǔn)備和加載數(shù)據(jù)。
• 建模：使用各種經(jīng)典和深度學(xué)習(xí)推薦算法來構(gòu)建模型，比如交替最小二乘(ALS)或極深因子分解機(jī)(xDeepFM)。
• 評估：用離線度量指標(biāo)評估算法。
• 模型選擇和優(yōu)化：為推薦模型調(diào)整和優(yōu)化超參數(shù)。
• 運作：在Azure上的生產(chǎn)環(huán)境中運作模型。

reco utils中提供了幾個實用程序以支持常見任務(wù)，比如加載采用不同算法支持的格式的數(shù)據(jù)集，評估模型輸出，以及分割訓(xùn)練/測試數(shù)據(jù)。實施了幾種***進(jìn)的算法，用于自學(xué)或者在企業(yè)組織或數(shù)據(jù)科學(xué)家自己的應(yīng)用環(huán)境中定制。

下圖顯示了存儲庫中可用的幾種推薦算法。我們總是在添加更多的推薦算法，請進(jìn)入到GitHub存儲庫，查看***列表。

下面較詳細(xì)地介紹推薦算法存儲庫如何解決數(shù)據(jù)科學(xué)家的痛點。

1. 評估推薦算法的不同選項很耗時。

推薦算法GitHub存儲庫的一大優(yōu)點是它提供了一組選項，顯示哪些算法最適合解決某些類型的問題。它還提供了如何在不同算法之間切換的粗略框架。如果模型性能準(zhǔn)確度不夠，則需要一種更適合實時結(jié)果的算法，或者起初選擇的算法并非最適合使用的數(shù)據(jù)類型，數(shù)據(jù)科學(xué)家應(yīng)換成不同的算法。

2. 選擇、理解和實施推薦算法系統(tǒng)的新模型可能成本很高。

從頭開始選擇合適的推薦算法并為推薦系統(tǒng)實施新模型可能成本很高，因為除了大量的計算能力外，還需要足夠的時間來訓(xùn)練和測試。推薦算法GitHub存儲庫簡化了選擇過程，通過節(jié)省數(shù)據(jù)科學(xué)家測試許多不適合其項目/場景的算法方面的時間來節(jié)省成本。再結(jié)合Azure的各種定價選項，可降低數(shù)據(jù)科學(xué)家的測試成本和企業(yè)的部署成本。

3. 實施更先進(jìn)的算法難度很大。

被要求構(gòu)建推薦算法系統(tǒng)時，數(shù)據(jù)科學(xué)家常常將目光投向更常用的算法，以減少選擇和測試更先進(jìn)算法所需要的時間和成本，即使這些更先進(jìn)的算法可能更適合項目/數(shù)據(jù)集。推薦GitHub存儲庫提供了一套知名且***進(jìn)的最適合某些場景的推薦算法。它還提供了***實踐;若遵循這些***實踐，可以更輕松地實施更先進(jìn)的算法。

4. 數(shù)據(jù)科學(xué)家不熟悉如何使用Azure Machine Learning服務(wù)來訓(xùn)練、測試、優(yōu)化和部署推薦算法。

***，推薦算法GitHub存儲庫提供了有關(guān)如何在Azure和Azure Machine Learning(Azure ML)服務(wù)上訓(xùn)練、測試、優(yōu)化和部署推薦模型的***實踐。實際上，有幾個筆記本介紹了如何在Azure ML服務(wù)上的存儲庫中運行推薦算法。數(shù)據(jù)科學(xué)家還可以使用已創(chuàng)建的任何筆記本，將其提交給Azure，幾乎不需要更改。

Azure ML可廣泛用于與AI模型開發(fā)有關(guān)的任務(wù)，比如說：

• 超參數(shù)調(diào)整
• 跟蹤和監(jiān)控度量指標(biāo)，以改進(jìn)模型創(chuàng)建過程
• 縱向擴(kuò)展和橫向擴(kuò)展DSVM和Azure ML Compute等計算
• 將Web服務(wù)部署到Azure Kubernetes服務(wù)
• 提交管道

原文標(biāo)題：Building Recommender systems with Azure Machine Learning service，作者：Heather Spetalnick

【51CTO譯稿，合作站點轉(zhuǎn)載請注明原文譯者和出處為51CTO.com】