我已经实现了一个基于矩阵分解技术的推荐系统。我想对其进行评估。
我想使用All-but-one协议的10折交叉验证（https://ai2-s2-pdfs.s3.amazonaws.com/0fcc/45600283abca12ea2f422e3fb2575f4c7fc0.pdf）。
我的数据集结构如下：
user_id,item_id,rating1,1,21,2,51,3,02,1,5...我感到困惑的是如何拆分数据，因为我不能将某些三元组（用户，项目，评分）放入测试集中。例如，如果我选择三元组（2,1,5）放入测试集，而这是用户2唯一的评分，那么就不会有关于这个用户的其他信息，训练好的模型也无法为他预测任何值。
考虑到这种情况，我应该如何进行拆分呢？
回答：
你的基本逻辑是完全正确的：如果一个类别中只有一个观测值，你必须将其包含在训练集中，这样模型在这个类别中才有任何有效性。
然而，将输入数据分成这些类别取决于各种观测值之间的相互作用。你能否识别出像你提到的“唯一评分”这样的数据类别？当你发现其他小类别时，你也需要确保在你的训练数据中有足够的这些观测值。
不幸的是，这个过程很难自动化。大多数一次性应用只能从数据中手动挑选这些观测值，然后按照正常的分组分配其他观测值。这确实存在一个问题，即特殊情况在训练集中被过度代表，这可能会在训练模型时对正常情况有所影响。
你有能力在遇到后续数据时调整模型吗？这通常是处理稀疏输入类别的最佳方式。
