我正在使用SageMaker内置的因子分解机模型构建一个推荐系统。

我希望得到一个评分矩阵，通过用户ID和项目ID可以查找预测的得分。

我了解到模型提供了一个预测API：

result = fm_predictor.predict(X_test[1000:1010].toarray())

但我不确定如何使用它来达到预期的目的。如果我想知道，例如，用户#123是否对电影#456感兴趣，我该如何使用上述API呢？

参考资料：https://medium.com/@julsimon/building-a-movie-recommender-with-factorization-machines-on-amazon-sagemaker-cedbfc8c93d8

https://www.slideshare.net/AmazonWebServices/building-a-recommender-system-on-aws-aws-summit-sydney-2018（第41页，第43页）

更新：

我想我现在明白了如何使用API，你需要构建另一个独热编码的数据集作为输入，例如：

X_new = lil_matrix((1, nbFeatures)).astype('float32')X_new[0, 935] = 1X_new[0, 1600] = 1prediction2 = X_new[0].toarray()result2 = fm_predictor.predict(prediction2)print(result2)

但似乎用这种方式填充推荐矩阵效率很低。最佳实践是什么呢？

回答：

我认为可以考虑两种情景：

1) 如果你需要非常低的延迟，你确实可以填充矩阵，即计算所有用户的所有推荐，并将其存储在应用程序查询的键/值后端中。你当然可以一次预测多个用户，使用上述的独热编码技术。

2) 通过应用程序直接调用端点进行按需预测。这更简单，但会增加一点延迟。

希望这些对你有帮助。