在我有关于其他项目/产品的其他隐式数据的情况下，当输入到 lightfm 模型时，设置数据的正确方法是什么。例如，我有 100k 个用户 x 200 个项目 交互数据，但是在实际应用中，我希望模型仅提供 200 个项目中的 50 个的推荐。那么如何设置数据呢？我正在考虑 2 个案例，但我不确定哪种方法是正确的：
案例 1：将整个矩阵（100k 用户 x 200 项）直接作为 lightfm 中的 interactions 参数提供。这种方式是更多的协作学习。
案例 2：仅将（100k 个用户 x 50 个项目）提供给 interactions 参数并将（100k x 150 个项目）矩阵用作 user_features。这样就可以进行更多基于内容的学习。
哪一个是正确的？ 此外，对于案例 1，模型评估（精度、召回率等）的效用函数是否可以仅针对选定项目进行推荐，例如，前 k 个推荐项目应仅从 50 个项目中获取，而不应推荐其他项目并从中计算精度、召回率等。
【问题讨论】：
您应该遵循案例 1。使用整个交互数据训练模型。 在进行预测时，您可以将所需（50）项的索引作为参数传递给 model.predict。
从 lightfm 文档中，您可以看到 model.predict 将项目 ID 作为参数（在这种情况下将是您的 50 个项目的 ID）。
https://making.lyst.com/lightfm/docs/_modules/lightfm/lightfm.html#LightFM.predict
def predict(self, user_ids, item_ids, item_features=None, user_features=None, num_threads=1): """ 计算用户-项目对的推荐分数。
Arguments
---------
user_ids: integer or np.int32 array of shape [n_pairs,]
single user id or an array containing the user ids for the
user-item pairs for which a prediction is to be computed
item_ids: np.int32 array of shape [n_pairs,]
an array containing the item ids for the user-item pairs for which
a prediction is to be computed
user_features: np.float32 csr_matrix of shape [n_users, n_user_features], optional
Each row contains that user's weights over features
item_features: np.float32 csr_matrix of shape [n_items, n_item_features], optional
Each row contains that item's weights over features
num_threads: int, optional
Number of parallel computation threads to use. Should
not be higher than the number of physical cores.
【讨论】：