ALS 是什么？ ALS 是交替最小二乘 （alternating least squares）的简称。 在机器学习的上下文中，ALS 特指使用交替最小二乘求解的一个协同推荐算法。 它通过观察到的所有用户给产品的打分，来推断每个用户的喜好并向用户推荐适合的产品。
协同过滤 常被应用于推荐系统，旨在补充用户-商品关联矩阵中所缺失的部分。 MLlib当前支持基于模型的协同过滤，其中用户和商品通过一小组隐语义因子进行表达， 并且这些因子也用于预测缺失的元素。Spark MLlib实现了 交替最小二乘法 (ALS) 来学习这些隐性语义因子。在 MLlib 中的实现有如下的参数: •numBlocks 是用于并行化计算的分块个数 (设置为-1，为自动配置)。 •rank 是模型中隐语义因子的个数。 •iterations 是迭代的次数。 •lambda 是ALS的正则化参数。 •implicitPrefs 决定了是用显性反馈ALS的版本还是用适用隐性反馈数据集的版本。 •alpha 是一个针对于隐性反馈 ALS 版本的参数，这个参数决定了偏好行为强度的基准。
可以调整这些参数，不断优化结果，使均方差变小。比如：iterations越多，lambda较小，均方差会较小，推荐结果较优。
注意上面说可以利用隐性因子预测缺失元素。下面结合数据讲解下： 1,1,5.0 1,2,1.0 1,3,5.0 1,4,1.0 2,2,1.0 2,3,5.0 2,4,1.0 3,1,1.0 3,2,5.0 3,3,1.0 3,4,5.0 4,1,1.0 4,2,5.0 4,3,1.0 4,4,5.0 第一个数据，表示用户id，第二数据则表示，产品id，第三则是评分。 注意这里缺失第二个用户对第一个产品的评分，算法仍然可以根据第二用户与其他用户的评分相似度，从而预测对第一个产品的评分，从而根据评分是否要将产品进行推送。
import org.apache.spark.{SparkContext, SparkConf} import org.apache.spark.mllib.recommendation.{ALS, Rating} /** * Created by Administrator on 2016/8/16. */ object RecommendationExample2 { def main(args: Array[String]) { val conf =new SparkConf().setAppName("RecommendationExample2").setMaster("local"); val sc = new SparkContext(conf) //加载数据 val data = sc.textFile("file///F:/1/alstest.txt") val ratings=data.map(_.split(",")match{case Array(user,item,rate)=> Rating(user.toInt,item.toInt,rate.toDouble) }) // 训练模型 val rank = 10//是模型中隐语义因子的个数。 val numIterations = 5 val lambda =0.01 //是ALS的正则化参数。 val model=ALS.train(ratings,rank,numIterations,lambda) val usersProducts=ratings.map{case Rating(user,item,rate)=> (user,item) } val predictions =model.predict(usersProducts) // println("_----------------------------------predictions-------------------------------") //predictions.foreach(println) //这里的结果其实和上面的结果没有太多的不同，只是将评分与用户id产品id分割了下 val predictions2=model.predict(usersProducts).map{case Rating(user,item,rate)=> ((user,item),rate) } //println("------------------------------predictions2-------------------------------") // predictions2.foreach(println) //合并原始数据和评分 val ratesAndPreds=ratings.map{case Rating(user,item,rate)=> ((user,item),rate) }.join(predictions2)//注意要是同类的才能合并，这里就不能直接合并predictions // println("=========================ratesAndPreds=========================") // ratesAndPreds foreach(println) //然后计算均方差，注意这里没有调用 math.sqrt方法 val MSE=ratesAndPreds.map{case((user,item),(r1,r2))=> val err=r1-r2 err*err }.mean() //打印出方差结果 println("Mean Squared Error = " + MSE) //获得用户的id val users=data.map(_.split(",")match { case Array(user,item,rate)=>(user) }).distinct().collect() //循环用户，将id传给模型 users.foreach( user=>{ var rs=model.recommendProducts(user.toInt,numIterations)//通过模型对用户进行商品的评分推送 var value = "" var key = 0 rs.foreach( r=>{ key=r.user value=value+r.product+":"+r.rating+"," }) println(key.toString+" " + value) }) /*val rs=model.recommendProductsForUsers(numIterations) rs.foreach(r=> r._2.foreach(x=> print(x.toString) ) //println(r._1+":"+r._2.toString) )*/ } }