基于Spark-ALS的协同过滤算法推荐系统

一、ALS算法主要是使用了org.spache.spark.mlib.recommendation包,包内提供了三个用于协同过滤推荐系统的数据类型:Rating、ALS、MatrixFactoriztionModel(矩阵因式分解模型)。

1、Rating:Rating对象是一个用户、项目和评分的三元组

2、ALS:ALS提供了求解带偏置矩阵分解的交替最小二乘法

3、MatrixFatorizationModel:ALS做训练求解矩阵分解返回的结果类型,此结果类型可以进行多种操作:

(1)save:将模型持久化。eg;model.save(sc,path)

(2)load:将持久化的模型加载使用。egMatrixFactorizationModel.load(sc,path)

(3)productFeatures:RDD[(Int,Array[Double])]:返回矩阵分解得到的项目特征

(4)userFeatures:RDD[(Int,Array[Double])]:返回矩阵分解得到的用户特征

(5)predict(userProducts:RDD[(Int,Int)]:RDD[Rating]:根据参数中需要预测的用户-项目,返回预测的评分结果

(6)predict(user:Int,product:Int):预测用户user对于项目product的评分

(7)recommendProducts(user Int,num Int):Array[Rating]:为用户user推荐个数为num的商品

(8)recommendUsers(product Int,num Int):Array[Rating]:为项目product推荐可能对其感兴趣的num个用户

二、ALS.train方法的使用

1、使用ALS算法求解矩阵分解需要以下几个参数

rank:秩,特征向量纬度,,太小就会拟合不够,误差比较大;设置太大,会导致模型泛化能力比较差。一般情况下选择10-100.

numIterations:迭代次数.

alpha:矩阵分解的正则系数

val model=ALS.train(data,rank,numIterations,alpha)

    原文作者:蠟筆小噺没有烦恼
    原文地址: https://www.jianshu.com/p/401e0774473f
    本文转自网络文章,转载此文章仅为分享知识,如有侵权,请联系博主进行删除。
点赞