Azure ML 匹配框推荐器的特征是什么？
What is a trait in Azure ML matchbox recommender?
Azure 机器学习有一个名为 Train Matchbox Recommender 的项目。它可以配置为 Number of traits。不幸的是，文档没有描述这种特征是什么。
什么是特质？这与latent variables有关吗？
This 页面可能有更好的描述。
基本上，特征是算法将了解与每个项目相关的每个用户的特征。例如，在 restaurant ratings recommender 特征中可以包括用户的出生年份、他们是学生还是职业、婚姻状况等。
希望对您有所帮助！
在我看来是的，这与潜在变量有关并定义了压缩特征矩阵的维度。这个矩阵的列——潜在特征向量——可以被解释为用户的刻板印象。因此，number of traits对应推荐模型中刻板印象用户的数量。
您可以在相应的研究论文中找到更多解释"Matchbox: Large Scale Bayesian Recommendations":
Users and items are represented by feature vectors which are mapped into a low-dimensional 'trait-space' in which similarity is measured in terms of inner products (source).
在经典的协同过滤中，这种潜在表示通常是通过 least-squares 方法使用奇异值分解 (SVD) 计算的，并且仅选择该矩阵的 first/largest k 维。这减少了 user-item-rating 矩阵的维数。在此Hacker Noon article by Steeve Huang您可以找到更详细的解释。
更新 1：添加了对潜在向量的解释
Azure 机器学习有一个名为 Train Matchbox Recommender 的项目。它可以配置为 Number of traits。不幸的是，文档没有描述这种特征是什么。
什么是特质？这与latent variables有关吗？
This 页面可能有更好的描述。
基本上，特征是算法将了解与每个项目相关的每个用户的特征。例如，在 restaurant ratings recommender 特征中可以包括用户的出生年份、他们是学生还是职业、婚姻状况等。
希望对您有所帮助！
在我看来是的，这与潜在变量有关并定义了压缩特征矩阵的维度。这个矩阵的列——潜在特征向量——可以被解释为用户的刻板印象。因此，number of traits对应推荐模型中刻板印象用户的数量。
您可以在相应的研究论文中找到更多解释"Matchbox: Large Scale Bayesian Recommendations":
Users and items are represented by feature vectors which are mapped into a low-dimensional 'trait-space' in which similarity is measured in terms of inner products (source).
在经典的协同过滤中，这种潜在表示通常是通过 least-squares 方法使用奇异值分解 (SVD) 计算的，并且仅选择该矩阵的 first/largest k 维。这减少了 user-item-rating 矩阵的维数。在此Hacker Noon article by Steeve Huang您可以找到更详细的解释。
更新 1：添加了对潜在向量的解释