【问题标题】：Vowpal Wabbit Matrix Factorization on one label一个标签上的 Vowpal Wabbit 矩阵分解
【发布时间】：2017-11-25 21:17:13
【问题描述】：

我追求的是网络推荐系统，比如“相关产品”。根据用户购买的商品，我想根据其他用户购买的商品查找相关商品。我已按照 MovieLens 教程 (https://github.com/JohnLangford/vowpal_wabbit/wiki/Matrix-factorization-example) 制作推荐系统。

在上面的示例中，用户给电影打分 (1-5)。然后，该模型可以预测用户会给特定项目的分数。

另一方面，我的数据只知道用户喜欢什么。我不知道他们不喜欢什么，也不知道他们有多喜欢某样东西。所以我尝试发送 1 作为我所有条目的值，但这只会给我一个模型，它在每个预测中都返回 1。

关于如何构建数据以便我可以预测用户喜欢 0 到 1 之间的项目的可能性有什么想法吗？

示例数据：

1.0 |user 1 |item 1
1.0 |user 1 |item 2
1.0 |user 2 |item 2
1.0 |user 2 |item 3
1.0 |user 3 |item 1
1.0 |user 3 |item 3

训练命令：

cat test.vw | vw /dev/stdin -b 18 -q ui --rank 10 --l2 0.001 --learning_rate 0.015 --passes 20 --decay_learning_rate 0.97 --power_t 0 -f test.reg --cache_file test.cache

【问题讨论】：

标签： machine-learning vowpalwabbit matrix-factorization

【解决方案1】：

问题的简短回答：

要获得类似于“概率”的预测，您可以使用--loss_function logistic --link logistic。请注意，在这种单标签设置中，您的概率可能会迅速趋于 1.0（即变得毫无意义）。

补充说明：

使用单个标签是有问题的，因为没有分离目标。最终，学习者会将所有预测都与 1.0 挂钩。为了解决这个问题 - 建议使用--noconstant，使用强正则化，降低学习率，避免多次通过等（IOW：任何避免过度拟合到单个标签的东西）
更好：添加用户没有购买/点击的示例，它们应该很多，这将使您的模型更加健壮和有意义。
在vw 中有更好的矩阵分解实现（对于大型模型来说，IO 更快更轻）。检查--lrq 选项和源代码树中demo/movielens 下的完整演示。
您应该将训练集直接传递给vw 以避免Useless use of cat

【讨论】：