0

我正在尝试使用我在数据集中拥有的功能来训练 LightFM 推荐器模型。我的数据如下所示： 训练和测试交互数据：shape = (730799, 115552) 我负责删除测试数据中的交互，因为我正在尝试检查关于看不见的项目的建议。我从数据中的两个特征构建了一个特征矩阵，并将 itemId 添加为虚拟特征，这样我的项目特征矩阵的形状变为（115552、115659）。

我正在这样定义我的模型：

model = LightFM(loss='warp',
                    item_alpha=1e-6,
                    no_components=200,
                    learning_rate=0.005)

我运行了不同数量的组件，一次运行了 50 个 epoch，并计算了验证 AUC，如下所示。如您所见，在所有情况下，验证 AUC 仅在几次迭代 (2-3) 后达到峰值并下降。

具有特征的 AUCAUC 50 个时代

作为交叉检查，我也只运行了虚拟特征，即项目的单位矩阵。由于我试图预测看不见的项目，AUC 性能很糟糕，但至少它是有意义的，并且会随着迭代次数的增加而增加，如下所示。

AUC 虚拟 50 epochs

为什么具有附加功能的模型不学习任何东西，即。两三次迭代后下降？有没有其他的把手可以用来解决这个问题？

4

0 回答 0