ALS et BPR avec implicit
- Leçon 15
- 40 min
- Module 5 : La factorisation matricielle pour la rétroaction implicite
Où nous en sommes
Nous avons factorisé une petite matrice à la main. Les vraies données demandent une bibliothèque rapide et les bons réglages. Dans cette leçon, nous entraînons ALS et BPR avec la bibliothèque implicit. Nous mesurons aussi leur temps, leur mémoire et leurs scores.
Leçon 15 sur 29 · Recommandation et personnalisation : montrer à chacun ce qui compteALS et BPR avec implicit
1. Le problème de la recommandation
2. Les données, la rétroaction implicite et un découpage honnête
3. Mesurer les recommandations hors ligne
4. Les voisins et le filtrage collaboratif
5. La factorisation matricielle pour la rétroaction implicite
6. Le contenu, les hybrides et le démarrage à froid
7. Deux étapes : les candidats et le classement
8. Des scores hors ligne au vrai magasin
9. L'exploiter en production
Ce que vous saurez faire
Entraînez ALS et BPR sur tout le journal du magasin de Larkfield avec la bibliothèque implicit. Découvrez comment ALS pondère la confiance accordée aux consultations, aux ajouts au panier et aux commandes. Apprenez quels réglages comptent et combien de temps et de mémoire les deux méthodes demandent. Placez-les ensuite dans le tableau comparatif du cours.
Carnet JupyterFaites cette leçon dans un carnet Jupyter
Le carnet (notebook) Jupyter calcule la confiance d’une cellule, construit la matrice creuse du journal et entraîne ALS avec implicit. Vous entraînez BPR vous-même et comparez les deux par segment. Ses cellules de préparation téléchargent environ 8 Mo de données d’exercice et installent implicit. Environ 25 minutes.
Le carnet est en anglais. Colab et Kaggle ouvrent votre propre copie. Il faut un compte Google ou Kaggle gratuit. Vous êtes bloqué ? Consultez le carnet de solution.
Avant de commencerCe qu’il faut savoir et avoir sous la main
Ce que vous devez savoir
- Les vecteurs de clients et de produits, le produit scalaire et ALS, vus dans Goûts cachés.
- Les poids des événements (consultation 1, ajout au panier 3, commande 5), vus dans Des interactions, pas des notes.
recs evaluate --by segmentetrecs compare, vus dans Évaluer par segment.
Ce qu’il vous faut sur votre ordinateur (seulement pour les étapes du projet)
- Votre projet
larkfield-recsà la fin du module 4.python -m pytest -qaffiche17 passed(17 tests réussis). - Les fichiers d’exercice dans
../nextia-learning-labs, à côté du dossier du projet. - Une connexion Internet, une seule fois, pour installer implicit (environ 1 Mo).
Testé sur macOS avec Python 3.12. Les commandes Windows (PowerShell) n’ont pas été exécutées.
À quel point la vendeuse est-elle certaine?
Section intitulée « À quel point la vendeuse est-elle certaine? »Revenons à la vendeuse de la dernière leçon. Une cliente lui dit trois choses :
- « J’ai regardé ce parasol une fois. »
- « J’ai acheté ce banc de jardin, puis un deuxième pour ma mère. »
- Rien du tout sur les lits pour chiens.
Elle est un peu certaine que la cliente aime le parasol. Elle est très certaine pour le banc. Et le silence sur les lits pour chiens? Peut-être que la cliente n’a pas de chien. Ou peut-être qu’elle n’a jamais vu les lits pour chiens. Le silence est un indice faible. Ce n’est pas un « non ».
Une bonne vendeuse pondère chaque signal selon le degré de certitude qu’il lui donne. Cette leçon donne la même capacité à ALS.
Le problème : la méthode à la main traite toutes les cellules de la même façon
Section intitulée « Le problème : la méthode à la main traite toutes les cellules de la même façon »Dans la dernière leçon, la petite matrice contenait 1 pour « acheté » et 0 pour « aucun événement ». ALS cherchait autant à reproduire chaque 0 que chaque 1. Pour le journal du magasin de Larkfield, cela pose deux problèmes.
Elle transmet le mauvais message. Avant la période de test, la matrice compte 40 000 × 2 994 cellules. Seulement 467 160 sont remplies : 0,39 %. Donc, 99,6 % des cellules sont vides. Si chaque cellule vide signifie un « n’aime pas » ferme, la méthode apprend surtout que personne n’aime rien. Une commande et une seule consultation comptent aussi autant, même si une commande en dit beaucoup plus.
Elle ne tient pas sur un portable. La méthode à la main multipliait la matrice complète. La commande recs matrix du projet l’a mesurée : la matrice creuse occupe 3,9 Mo. La même matrice sous forme de tableau complet de nombres occupe 479 Mo. La méthode à la main crée aussi plusieurs copies de cette taille. C’est une mauvaise façon d’utiliser la mémoire d’un portable.
L’idée : les poids de confiance
Section intitulée « L’idée : les poids de confiance »Hu, Koren et Volinsky ont publié une méthode pour ce cas en 2008, appelée filtrage collaboratif pour la rétroaction implicite. Elle sépare chaque cellule en deux nombres :
- La préférence : 1 si le client a interagi avec le produit (n’importe quel événement), 0 sinon. C’est la valeur que le score cherche à atteindre.
- La confiance : l’importance que la méthode accorde à bien reproduire cette cellule. Une cellule remplie reçoit alpha × son poids. Une cellule vide reçoit 1.
Alpha est un réglage : il détermine combien une cellule remplie compte de plus qu’une cellule vide. Le poids est la somme des poids des événements de la cellule : consultation 1, ajout au panier 3, commande 5.
Un exemple détaillé
Section intitulée « Un exemple détaillé »Les trois cellules d’Ana, avec alpha = 2 :
| Produit | Événements d’Ana | Poids | Préférence (cible) | Confiance |
|---|---|---|---|---|
| Banc de jardin | consultation, ajout au panier, commande | 1 + 3 + 5 = 9 | 1 | 2 × 9 = 18 |
| Parasol | une consultation | 1 | 1 | 2 × 1 = 2 |
| Lit pour chien | aucun | 0 | 0 | 1 |
ALS cherche toujours à donner au banc un score proche de 1, et au lit pour chien un score proche de 0. Mais une erreur sur le banc coûte 18 fois plus qu’une erreur sur le lit pour chien. Les cellules vides ne tirent donc les scores vers le bas que légèrement. Les produits achetés les tirent fortement vers le haut.
La bibliothèque implicit ne construit jamais le tableau complet non plus. Elle travaille avec les 467 160 cellules remplies et un petit tableau de 64 × 64 nombres. Ce tableau représente toutes les cellules vides ensemble. C’est pourquoi elle demande des mégaoctets, pas des gigaoctets.
ALS, tour par tour
Section intitulée « ALS, tour par tour »Les tours sont les mêmes que dans la dernière leçon. Seul le « meilleur ajustement » de chaque étape utilise maintenant les valeurs de confiance.
Description textuelle du diagramme
Cinq encadrés. Étape 1 : commencer avec de petits nombres aléatoires dans chaque vecteur. Étape 2 : garder les vecteurs de produits fixes; pour chaque client, trouver le vecteur qui correspond le mieux à sa ligne. Étape 3 : garder les vecteurs de clients fixes; pour chaque produit, trouver le vecteur qui correspond le mieux à sa colonne. Une décision : 15 tours terminés? « Non » revient à l’étape 2. « Oui » mène au dernier encadré, à bordure épaisse : les vecteurs de clients et de produits sont prêts, et le score est le produit scalaire.
Chaque étape est facile, car un côté reste fixe. Avec les produits fixes, chaque client représente un petit problème distinct avec une réponse exacte. La bibliothèque résout les 40 000 problèmes de clients un après l’autre, puis les 2 994 problèmes de produits.
Une deuxième idée : apprendre l’ordre, pas les cellules
Section intitulée « Une deuxième idée : apprendre l’ordre, pas les cellules »Une vendeuse n’a pas besoin de savoir qu’une cliente aime le banc à « 0,9 ». Elle doit savoir que le banc vient avant le lit pour chien. Une liste de suggestions est un ordre.
BPR (classement personnalisé bayésien, publié par Rendle et d’autres en 2009) apprend exactement cela. Il examine des paires :
Description textuelle du diagramme
Une cliente, Ana, mène à deux produits : un avec lequel elle a interagi, un parasol, et un produit aléatoire sans interaction, un lit pour chien. Les deux mènent à une question : le score du parasol dépasse-t-il celui du lit pour chien? « Oui, de beaucoup » mène à « ne presque rien changer ». « Non, ou seulement de peu » mène à un encadré à bordure épaisse : déplacer les vecteurs pour faire monter le parasol et descendre le lit pour chien.
BPR fait des millions de ces petits pas. La taille de chaque pas est le taux d’apprentissage. BPR n’a pas d’alpha : chaque produit avec une interaction compte autant, une consultation autant qu’une commande.
Les réglages importants
Section intitulée « Les réglages importants »Les deux méthodes ont quelques réglages. Voici les valeurs par défaut du projet (dans larkfield_recs/methods/mf.py) :
| Réglage | ALS | BPR | Son rôle |
|---|---|---|---|
factors |
64 | 64 | Le nombre de nombres par vecteur. Plus de nombres représentent plus de goûts, mais demandent du temps et peuvent reproduire le bruit. |
regularization |
0,05 | 0,01 | La pénalité pour les grands nombres. Une valeur plus élevée garde les vecteurs plus simples. |
alpha |
2,0 | (aucun) | L’importance d’une cellule remplie par rapport à une cellule vide. |
iterations |
15 | 100 | Les tours pour ALS; les passages sur les données pour BPR. |
learning_rate |
(aucun) | 0,05 | La taille de chaque pas de BPR. |
seed |
37 | 37 | Le départ aléatoire, pour que deux exécutions donnent les mêmes listes. |
Le projet utilise aussi un seul fil d’exécution (modifiez LARKFIELD_THREADS pour changer cela). Avec un seul fil, les résultats se répètent exactement, et les bibliothèques numériques ne se disputent pas le processeur.
Exercice guidé : ALS et BPR dans votre projet
Section intitulée « Exercice guidé : ALS et BPR dans votre projet »La nouvelle méthode se trouve dans un seul fichier, larkfield_recs/methods/mf.py. Son cœur est court :
self.model = AlternatingLeastSquares(factors=s.get("factors", 64), regularization=s.get("regularization", 0.05), iterations=s.get("iterations", 15), alpha=s.get("alpha", 2.0), random_state=s.get("seed", 37), num_threads=_threads())self.model.fit(m, show_progress=False)m est la matrice pondérée de la période, celle que recs matrix décrit. Le score d’un produit est le produit scalaire, comme dans la dernière leçon. Un client sans événement avant la période n’a pas de vecteur. La méthode lui donne donc la liste des tendances.
-
Dans votre dossier
larkfield-recs, avec l’environnement virtuel actif, copiez le fichier de la méthode :Fenêtre de terminal S=../nextia-learning-labs/C37/snapshots/end-of-m05cp $S/larkfield_recs/methods/mf.py larkfield_recs/methods/Fenêtre de terminal $S = "..\nextia-learning-labs\C37\snapshots\end-of-m05"Copy-Item "$S\larkfield_recs\methods\mf.py" larkfield_recs\methods\ -
Affichez la liste des méthodes. Deux nouvelles lignes apparaissent :
Fenêtre de terminal recs evaluate --listals matrix factorisation, alternating least squares (implicit)bpr matrix factorisation, Bayesian personalised ranking (implicit) -
Essayez
recs evaluate als. La commande échoue, car implicit n’est pas encore installé. La dernière ligne de l’erreur est :ModuleNotFoundError: No module named 'implicit' -
Copiez le nouveau
requirements.txt. Il ajoute une ligne,implicit==0.7.3. Installez ensuite les dépendances :Fenêtre de terminal cp $S/requirements.txt .python -m pip install -r requirements.txtFenêtre de terminal Copy-Item "$S\requirements.txt" .python -m pip install -r requirements.txtLa dernière ligne est :
Successfully installed implicit-0.7.3 threadpoolctl-3.8.0 tqdm-4.70.1 -
Entraînez et évaluez ALS par segment (environ 5 secondes) :
Fenêtre de terminal recs evaluate als --by segmentMethod als (matrix factorisation, alternating least squares (implicit)), test periodCustomers scored: 2,118; trained on events before 2026-06-22recall@10 0.142 (95% interval 0.129 to 0.156), NDCG@10 0.090, MAP@10 0.066, precision@10 0.022, hit rate 18.5%coverage 33.0% of the products on sale, novelty 5.98 bits, diversity 0.66, new products in the lists 10.4%time: fit 5.6 s, suggestions 0.1 ssegment customers recall@10 NDCG@10 95% interval (recall)new 952 0.150 0.100 0.129 to 0.172occasional 556 0.120 0.075 0.097 to 0.147loyal 610 0.150 0.088 0.125 to 0.176new products: 647 orders of new products in the period; recall@10 on them 0.136Votre temps d’ajustement sera différent. Lors d’une exécution sans autre activité, notre portable a pris 3,8 secondes. Cette exécution partageait l’ordinateur avec d’autres tâches.
-
Faites la même chose pour BPR :
Fenêtre de terminal recs evaluate bpr --by segmentMethod bpr (matrix factorisation, Bayesian personalised ranking (implicit)), test periodCustomers scored: 2,118; trained on events before 2026-06-22recall@10 0.109 (95% interval 0.097 to 0.122), NDCG@10 0.069, MAP@10 0.050, precision@10 0.016, hit rate 14.1%coverage 76.3% of the products on sale, novelty 6.74 bits, diversity 0.49, new products in the lists 11.6%time: fit 4.6 s, suggestions 0.1 ssegment customers recall@10 NDCG@10 95% interval (recall)new 952 0.144 0.094 0.123 to 0.165occasional 556 0.092 0.059 0.070 to 0.115loyal 610 0.070 0.039 0.053 to 0.089new products: 647 orders of new products in the period; recall@10 on them 0.131
Le carnet obtient les deux mêmes nombres, 0,142 et 0,109, avec ses propres 40 lignes de code. Sa vérification affiche Check passed: bpr_recall is 0.109. (vérification réussie : bpr_recall vaut 0,109).
Lire les résultats : le tableau comparatif jusqu’ici
Section intitulée « Lire les résultats : le tableau comparatif jusqu’ici »Voici toutes les méthodes du cours jusqu’ici, sur les mêmes clients de test, avec leurs intervalles à 95 %.
Description textuelle du graphique
Une ligne par méthode, le rappel à 10 (recall@10) avec son intervalle à 95 %, et une ligne verticale à la valeur de trending. popular 0,106 (0,095 à 0,118). trending 0,157 (0,142 à 0,172). popular-category 0,143 (0,129 à 0,157). cooc 0,122 (0,109 à 0,136). item-cf 0,088 (0,077 à 0,101). user-user 0,145 (0,132 à 0,159). als 0,142 (0,129 à 0,156). bpr 0,109 (0,097 à 0,122).
Trois choses à remarquer :
- ALS dépasse clairement item-cf. Sur les mêmes clients,
recs compare item-cf als --by segmentaffiche une différence de +0,054 (intervalle à 95 % : +0,044 à +0,064). Le gain est le plus grand pour les clients occasionnels (+0,076) et les clients fidèles (+0,083). Ce sont les clients dont les quelques anciennes commandes donnaient trop peu d’indices à item-cf. - ALS ne dépasse pas trending. Sur la période de test de Larkfield, ALS obtient 0,142 et trending, 0,156. La différence appariée est de −0,014 (−0,030 à +0,002) : le résultat n’est pas clair pour l’ensemble des clients. Mais pour les nouveaux clients (−0,019, −0,036 à −0,002) et les clients occasionnels (−0,041, −0,079 à −0,002), ALS est clairement moins bon. Fin juin, beaucoup de clients achètent ce qui se vend fin juin, et la liste trending sur 28 jours suit cela. ALS apprend les goûts sur 17 mois, hiver compris.
- BPR trouve moins de bons produits, mais en montre beaucoup plus. Regardez la deuxième vue des mêmes exécutions :
Description textuelle du graphique
Un nuage de points avec la couverture de 0 à 100 % à l’horizontale et le recall@10 de 0 à 0,2 à la verticale. popular à 0,3 %, 0,106. trending à 0,3 %, 0,157, en haut à gauche. popular-category à 6,7 %, 0,143. cooc à 36,2 %, 0,122. als à 33,0 %, 0,142. item-cf à 53,2 %, 0,088. user-user à 54,2 %, 0,145. bpr à 76,3 %, 0,109, à droite.
BPR traite une consultation comme une commande et place chaque produit avec une interaction au-dessus de produits aléatoires. Beaucoup de produits seulement consultés remontent donc, et les listes couvrent 76,3 % du magasin. C’est bon pour la variété et mauvais pour le rappel : le rappel de BPR pour les clients fidèles est seulement de 0,070. Avec ses poids de confiance, ALS fait davantage confiance aux commandes et reste plus proche de ce que les gens achètent.
Temps et mémoire sur un portable
Section intitulée « Temps et mémoire sur un portable »Les mesures de l’équipe du cours, avec un seul fil, sur Apple M4 (secondes d’entraînement et mémoire maximale du processus, données chargées) :
| Méthode | Entraînement | Mémoire maximale |
|---|---|---|
popular |
0,0 s | 299 Mo |
item-cf |
0,4 s | 609 Mo |
user-user |
0,1 s (et 0,5 s pour évaluer) | 866 Mo |
als |
3,8 s | 496 Mo |
bpr |
3,9 s | 494 Mo |
Environ 300 Mo de chaque mesure correspondent au journal du magasin lui-même. ALS et BPR ajoutent environ 200 Mo, moins que les méthodes de voisins. Ils conservent environ 2,8 millions de nombres (64 par client et par produit), pas des tableaux de voisins.
L’entraînement prend quelques secondes. Le cours suppose un tarif de 0,17 $ US par heure pour un serveur avec 4 processeurs. Selon cette hypothèse, un entraînement ALS coûte une petite fraction d’un cent. Consultez la page actuelle du fournisseur pour connaître les vrais prix. Le temps et la mémoire ne justifient pas d’éviter la factorisation matricielle dans un magasin de cette taille. Ils comptent davantage pour un magasin avec des millions de produits et pour des réentraînements répétés, comme dans la prochaine leçon.
À vous de jouer : faire encore plus confiance aux commandes
Section intitulée « À vous de jouer : faire encore plus confiance aux commandes »Changez un réglage : alpha. Avant l’exécution, faites une prédiction : si une cellule remplie compte 20 fois son poids plutôt que 2 fois, le rappel montera-t-il ou baissera-t-il?
Utilisez la période de validation, pas la période de test. La prochaine leçon explique pourquoi.
recs evaluate als --period validationrecs evaluate als --set alpha=20 --period validationAfficher la réponse
Method als (matrix factorisation, alternating least squares (implicit)), validation periodCustomers scored: 2,152; trained on events before 2026-06-08recall@10 0.155 (95% interval 0.141 to 0.169), NDCG@10 0.096, MAP@10 0.071, precision@10 0.022, hit rate 19.7%coverage 32.8% of the products on sale, novelty 5.98 bits, diversity 0.65, new products in the lists 6.6%time: fit 3.2 s, suggestions 0.1 sMethod als (matrix factorisation, alternating least squares (implicit)), validation period, settings {'alpha': 20}Customers scored: 2,152; trained on events before 2026-06-08recall@10 0.136 (95% interval 0.122 to 0.150), NDCG@10 0.081, MAP@10 0.058, precision@10 0.019, hit rate 16.8%coverage 40.0% of the products on sale, novelty 6.13 bits, diversity 0.61, new products in the lists 6.8%time: fit 3.5 s, suggestions 0.1 sLe rappel passe de 0,155 à 0,136. Avec alpha à 20, les cellules vides ne comptent presque plus. Les vecteurs reproduisent alors trop étroitement les quelques produits de chaque client. Ils en disent peu sur les produits avec lesquels le client n’a pas encore interagi.
Nous avons essayé deux autres réglages sur la période de validation. Seulement 3 tours au lieu de 15 ont donné 0,156 en 0,8 seconde : ici, plus de tours n’aident pas. Seulement 8 nombres par vecteur ont donné 0,147, et la couverture est tombée à 6,3 %. Avec si peu de nombres, le modèle représente à peine plus que « populaire dans mes catégories ».
Quand utiliser ALS ou BPR, et ce qu’ils coûtent
Section intitulée « Quand utiliser ALS ou BPR, et ce qu’ils coûtent »| ALS | BPR | |
|---|---|---|
| À utiliser quand | vous avez des poids d’événements fiables (commandes au-dessus des consultations) | seul l’ordre d’une liste compte, et vous voulez de la variété |
| Sur la période de test de Larkfield | 0,142, clairement au-dessus de item-cf, en dessous de trending | 0,109, couverture de 76,3 % |
| Attention | alpha et la régularisation changent le résultat; les nouveaux clients reçoivent trending | une consultation compte comme une commande; faible pour les clients fidèles ici |
| Coût | 3,8 secondes, 496 Mo | 3,9 secondes, 494 Mo |
Aucune des deux méthodes n’est meilleure que trending sur cette période de test. C’est un vrai résultat, pas une erreur. Une méthode personnalisée doit dépasser une méthode non personnalisée solide pour justifier sa complexité. La prochaine leçon règle ALS honnêtement et vérifie de nouveau par segment.
Erreurs courantes
Section intitulée « Erreurs courantes »Erreur courante
« No module named implicit » après avoir copié mf.py
Symptôme : recs evaluate als s’arrête avec ModuleNotFoundError: No module named 'implicit' (module implicit introuvable).
Cause : mf.py importe implicit, et la bibliothèque n’est pas installée dans l’environnement virtuel actif.
Solution : copiez le nouveau requirements.txt et exécutez python -m pip install -r requirements.txt. Vérifiez que l’environnement virtuel est actif : l’invite commence par (.venv).
Erreur courante
Des nombres différents à chaque exécution
Symptôme : vous avez modifié le code pour utiliser tous les cœurs du processeur, et le rappel varie légèrement entre les exécutions.
Cause : avec plusieurs fils, l’ordre des petits calculs change. Les derniers chiffres des résultats diffèrent donc, et certaines listes changent.
Solution : gardez un seul fil (la valeur par défaut, LARKFIELD_THREADS=1) quand vous comparez les méthodes. Utilisez plus de fils seulement pour accélérer l’entraînement quand les nombres exacts ne comptent pas.
Vérification des connaissances
Section intitulée « Vérification des connaissances »Vérifiez votre compréhension
Ben a consulté une lampe deux fois et l'a commandée une fois. Avec les poids consultation 1, ajout au panier 3, commande 5 et alpha 2, quelles sont la préférence et la confiance de sa cellule pour cette lampe? Et pour une cellule sans événement?
Afficher la réponse
La cellule de la lampe : poids 1 + 1 + 5 = 7, préférence 1, confiance 2 × 7 = 14. Une cellule vide : préférence 0, confiance 1. ALS accorde 14 fois plus d’importance à donner un score élevé à la lampe qu’un score faible à un produit sans interaction.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Vérifiez votre compréhension
BPR a un rappel à 10 (*recall@10*) de 0,109 et une couverture de 76,3 %; ALS a 0,142 et 33,0 %. Expliquez la différence à partir de la façon dont chaque méthode apprend.
Afficher la réponse
BPR apprend seulement un ordre : chaque produit consulté ou commandé doit obtenir un score supérieur à un produit sans interaction choisi au hasard. Les produits seulement consultés apparaissent donc aussi, et les listes couvrent les trois quarts du magasin. Les clients ne commandent pas beaucoup de ces produits, ce qui réduit le rappel. ALS pondère chaque cellule selon sa confiance : une commande compte plus qu’une consultation. Ses listes restent plus proches de ce que les gens achètent, avec un rappel plus élevé et moins de variété.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Vérifiez votre compréhension
Tomás dit : « ALS est un vrai modèle d'apprentissage automatique, donc il doit battre trending. » Que montre le projet, et que lui diriez-vous?
Afficher la réponse
Sur la période de test de Larkfield, ALS a un recall@10 de 0,142 et trending de 0,156. recs compare trending als --by segment donne −0,014 (de −0,030 à +0,002). Le résultat n’est pas clair pour l’ensemble des clients, mais ALS est clairement moins bon pour les nouveaux clients et les clients occasionnels. Un modèle est meilleur seulement si la mesure le montre. Fin juin, la liste trending sur 28 jours suit la saison, et ALS apprend à partir de 17 mois d’historique. ALS bat toutefois clairement item-cf (+0,054). La prochaine étape consiste à le régler honnêtement, sans supposer qu’il gagne.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Récapitulatif
- Rétroaction implicite : une cellule vide est un indice faible, pas un « non ». ALS attribue à chaque cellule une préférence (avec ou sans interaction) et une confiance : alpha × son poids pour une cellule remplie, 1 pour une cellule vide.
- La bibliothèque implicit travaille seulement sur les 467 160 cellules remplies; le tableau complet occuperait 479 Mo.
- BPR apprend un ordre : un produit avec interaction au-dessus d’un produit sans interaction choisi au hasard. Il n’a pas d’alpha, donc une consultation compte comme une commande.
- Les réglages : facteurs, régularisation, alpha et itérations pour ALS; facteurs, taux d’apprentissage et itérations pour BPR. Un seul fil d’exécution, pour obtenir les mêmes résultats à chaque exécution.
- Sur la période de test de Larkfield : ALS 0,142, clairement au-dessus d’item-cf (+0,054), mais sous trending (0,156). BPR 0,109 avec une couverture de 76,3 %.
- L’entraînement prend environ 4 secondes et utilise environ 500 Mo de mémoire sur un ordinateur portable.
- Votre projet contient maintenant
alsetbpr.
ALS possède des réglages, et un alpha de 20 a déjà montré qu’ils changent le résultat. Ensuite, vous les réglez sur la période de validation et faites le test une seule fois.
Leçon suivante : Régler sans vous tromper vous-même