recommenders-team/recommenders

Question about Wide and Deep Model for Movie Recommendation

Open

#1.206 geöffnet am 23. Sept. 2020

Auf GitHub ansehen
 (0 Kommentare) (1 Reaktion) (1 zugewiesene Person)Python (2.972 Forks)batch import
help wanted

Repository-Metriken

Stars
 (17.706 Stars)
PR-Merge-Metriken
 (Durchschn. Merge 6T 16h) (10 gemergte PRs in 30 T)

Beschreibung

Description

in this example there are some itemID(movie_id) in test data that they don't exists in train data, so during training the model can't build or it is better to say "can't update" embedding for them. in normal situation it's not a problem but "ranking_pool" that was used for evaluation also contains these itemIDs pair with some userIDs therefore they have negative affects on evaluation metric like NDCG because we multiplied some random vectors with learned user vectors. Is there any reason for doing so?

Contributor Guide

Research-Richtung
Untersuchen Sie die Methode zur Datenaufteilung, die im Schnellstart Notebook verwendet wird, und prüfen Sie, wie der Ranking Pool für die Bewertung aufgebaut ist. Diskutieren Sie, ob das Einbeziehen unbekannter Elemente in den Testsatz beabsichtigt ist und wie es sich auf NDCG auswirkt.
Tech Stack
python
Domain
aibackend
Issue Type
Fehler
SchwierigkeitGeschätzte Implementierungsschwierigkeit für neue Contributors, von 1 für sehr kleine Änderungen bis 5 für Expertenarbeit.
3
Geschätzte ZeitEin grober Zeitrahmen, um zu recherchieren, zu implementieren, zu testen und einen Pull Request vorzubereiten.
1-3 Stunden
AktivitätsstatusWie verfügbar das Issue gerade wirkt: frisch, aktiv, stale, blockiert oder wartet auf Maintainer-Input.
Aktiv
KlarheitWie klar das Issue die erwartete Änderung, Akzeptanzkriterien und den nächsten Schritt erklärt.
Meist klar
Voraussetzungen
PythonMachine Learning
EinsteigerfreundlichkeitEin Score von 1 bis 100, der schätzt, wie zugänglich dieses Issue für First-Time Contributors ist.
65