recommenders-team/recommenders

Question about Wide and Deep Model for Movie Recommendation

Open

#1 206 ouverte le 23 sept. 2020

Voir sur GitHub
 (0 commentaires) (1 réaction) (1 assigné)Python (2 972 forks)batch import
help wanted

Métriques du dépôt

Stars
 (17 706 stars)
Métriques de merge PR
 (Merge moyen 6j 16h) (10 PRs mergées en 30 j)

Description

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?

Guide contributeur

Direction de recherche
Enquetez sur la méthode de division des données utilisée dans le notebook de démarrage rapide et examinez comment le pool de classement pour l'évaluation est construit. Discutez si inclure des éléments non vus dans l'ensemble de test est intentionnel et comment cela affecte NDCG.
Stack technique
python
Domaine
aibackend
Type d'issue
Bug
DifficultéDifficulté estimée pour un nouveau contributeur, de 1 pour un très petit changement à 5 pour un travail expert.
3
Temps estiméFourchette de temps approximative pour investiguer, implémenter, tester et préparer une pull request.
1-3 heures
Statut d'activitéDisponibilité apparente de l'issue : fraîche, active, ancienne, bloquée ou en attente d'un mainteneur.
Active
ClartéClarté avec laquelle l'issue explique le changement attendu, les critères d'acceptation et la prochaine étape.
Plutôt claire
Prérequis
PythonMachine Learning
Accessibilité débutantScore de 1 à 100 estimant l'accessibilité de cette issue pour un premier contributeur.
65