Bonne réponse
- DUtiliser le modèle de factorisation de matrice de BigQuery ML (CREATE MODEL avec model_type='matrix_factorization') pour s'entraîner directement sur les données d'interaction historiques.
Explication
Le modèle de factorisation de matrice de BigQuery ML (model_type='matrix_factorization') est spécialement conçu pour les systèmes de recommandation utilisant des données de rétroaction implicites ou explicites. Il s'entraîne directement sur les données d'interaction historiques (par exemple, les achats utilisateur-article) sans nécessiter d'ingénierie de caractéristiques manuelle, s'alignant sur l'objectif de minimiser l'effort de ML à code bas. Cette approche exploite l'interface SQL native de BigQuery et s'adapte automatiquement, ce qui la rend idéale pour le scénario de commerce électronique décrit.
Pour aller plus loin
La factorisation de matrice de BigQuery ML entraîne un modèle de filtrage collaboratif directement dans l'entrepôt de données en utilisant CREATE MODEL avec model_type='matrix_factorization', en consommant des tables d'interaction utilisateur-article sans exporter de données ni créer manuellement des représentations vectorielles (embeddings). Sous le capot, il apprend des facteurs latents d'utilisateurs et d'articles en minimisant l'erreur de reconstruction sur les interactions observées, et vous pouvez mélanger des caractéristiques secondaires via les colonnes utilisateur et article. Une subtilité est qu'il nécessite un nombre minimal d'interactions par utilisateur et par article, et les éléments de démarrage à froid (cold-start) nécessitent des solutions de secours basées sur le contenu. Dans un scénario réaliste, une équipe de commerce électronique injecte des événements d'achat et de flux de clics dans une table BigQuery, entraîne le modèle sur place et génère des recommandations avec ML.RECOMMEND, évitant ainsi l'infrastructure Vertex AI tout en maintenant les données gouvernées et en minimisant l'ingénierie des caractéristiques manuelle.
À propos de ces questions d'entraînement
Cette question fait partie des questions d'entraînement PMLE originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.
Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.