Spark ML -1：ALS推荐算法

矩阵分解 推荐系统，最基本的一个数据就是，用户-物品的评分矩阵，如下图1所示   图1          矩阵中，描述了5个用户(U1,U2,U3,U4 ,U5)对4个物品(D1,D2,D3,D4)的评分(1-5分)，- 表示没有评分，现在目的是把没有评分的 给预测出来，然后按预测的分数高低，给用户进行推荐。

ALS 的核心就是下面这个假设：打分矩阵A是近似低秩的。换句话说，一个 的打分矩阵 A 可以用两个

小矩阵和的乘积来近似：。这样我们就把整个系统的自由度从

一下降到了。“打分矩阵A(m*n)”就可以由“用户喜好特征矩阵U(m*k)”和“产品特征矩阵V(n*k)”的

乘积来近似了。矩阵U、矩阵V如下图所示：

显性反馈和隐性反馈

---

我们知道，在推荐系统中用户和物品的交互数据分为显性反馈和隐性反馈数据的。在ALS中这两种情况也是被考虑了进来的，分别可以训练如下两种模型： val model1 = ALS.train(ratings, rank, numIterations, lambda)//显性反馈模型val model2 = ALS.trainImplicit(ratings, rank, numIterations, lambda, alpha)//隐性反馈模型 参数： rating：由用户-物品矩阵构成的训练集 rank：隐藏因子的个数 numIterations: 迭代次数 lambda：正则项的惩罚系数 alpha： 置信参数