31、机器学习推荐系统与超参数调优全解析

机器学习推荐系统与超参数调优全解析

一、矩阵分解模型选择

在进行实验时，我们发现当 num_factors = 16 时，评估损失为 0.97，低于 num_factors = 36 （损失 1.67）和 num_factors = 24 （损失 1.45）的情况。继续实验可能会导致收益递减，因此我们选择 num_factors = 16 的矩阵分解模型作为最终模型。

二、推荐系统的实现与应用

1. 为特定用户推荐喜剧电影
   • 我们可以使用训练好的模型为用户提供推荐。例如，为 userId = 903 的用户推荐最佳喜剧电影，可使用以下查询：

SELECT * FROM 
ML.PREDICT(MODEL ch09eu.movie_recommender_16, ( 
  SELECT  
     movieId, title, 903 AS userId 
  FROM ch09eu.movielens_movies, UNNEST(genres) g 
  WHERE g = 'Comedy' 
)) 
ORDER BY predicted_rating DESC 
LIMIT 5

- 此查询调用`ML.PREDICT`函数，传入训练好的推荐模型，并提供一组`movieId`和`us