Azure Machine Learning Studio 中的 Train Matchbox Recommender 推薦模型可以針對客戶提供多個推薦項目，例如：書本推薦、電影推薦、音樂推薦、購物推薦...等等，以下範例實驗是對客戶推薦其有可能感興趣的餐廳

Train Matchbox Recommender 推薦模型

位置： Machine Learning / Train / Train Matchbox Recommender

建立推薦模型實驗為各個客戶推薦不同餐廳

0. 【Dataset】新增以下 3 個資料集：

1. 【Restaurant Ratings】：客戶給餐廳的評分

2. 【Restaurant Customer data】：客戶資料，Ex：是否吸菸、喝酒頻率、服裝、婚姻狀況…等資料

3. 【Restaurant Feature data】：餐廳資料，Ex：餐廳位置、是否供應酒精飲料、吸菸區…等資料

   客戶給餐廳的評分
   

   客戶資料
   

   餐廳資料
   

   

4. 【Split Data】將資料集 1 的輸出接至 Split Data 的輸入，Splitting model 選擇 Recommender Split
   

5. 【Train Matchbox Recommender】推薦模型，有以下 3 個輸入，分別將 3 個資料集接到對應的輸入

   • 輸入 1：Training dataset of user-item-rating triples 客戶、項目、評分三個一組的資料
     
   • 輸入 2：Training dataset of user features 客戶資料
     
   • 輸入 3：Training dataset of item features 項目資料
     

   

6. 【Score Matchbox Recommender】驗證推薦模型，Recommender prediction kind 選擇 Item Recommendation，為客戶推薦餐聽
   

   其中 Recommender prediction kind 推薦預型有以下 4 種：

   • Rating Prediction
   • Item Recommendation
   • Related Users
   • Related Items

   

   Rating Prediction：預測客戶對每個餐廳的評分
   

   Item Recommendation：對客戶推薦前 X 名餐廳
   

   Related Users：與客戶相關的前 X 名客戶
   

   Related Items：與餐廳相關的前 X 名餐廳
   

7. 【Evaluate Matchbox Recommender】評估推薦模型
   

8. 執行完成後，可以得到此推薦模型的準確性 NDCG(normalized discounted cumulative gain) 值 = 0.910748，NDCG 值是以測試集資料的評分來計算的，詳細計算方法可以參考：Evaluate Recommender