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)