Apache spark Spark MLLib与新用户协同过滤

我正在试用Spark中实现的协同过滤算法，遇到以下问题：

假设我使用以下数据训练模型：

u1|p1|3
u1|p2|3
u2|p1|2
u2|p2|3

u1|p1|1
u3|p1|2
u3|p2|3

现在，如果我使用以下数据进行测试：

u1|p1|3
u1|p2|3
u2|p1|2
u2|p2|3

u1|p1|1
u3|p1|2
u3|p2|3

---

我从未看到用户“u3”的任何评分，可能是因为该用户没有出现在培训数据中。这是因为冷启动问题吗？我的印象是，这个问题只适用于新产品。在这种情况下，我会预测“u3”，因为训练数据中的“u1”和“u2”具有与“u3”相似的评级信息。这就是基于模型和基于内存的协同过滤之间的区别吗？

我想你说的是ALS算法吧

“u3”不是您的训练集的一对，因此您的模型对该用户一无所知。我们所能做的就是返回所有用户的平均评分

---

查看Spark 1.3.0 Scala代码：调用

predict（）

时，由

ALS.train（）返回的
MatrixFactoryModel
尝试在特征向量中查找用户和产品。当我试图预测未知用户的评级时，我得到了一个
NoTouchElementException
。它就是这样实现的。
谢谢。我就是这么想的。除了ALS，MLLib还支持其他协同过滤算法吗？ALS似乎是Spark 1.3.0中唯一的算法：您是否能够将用户和产品作为非整数进行培训？当我尝试以这种形式进行训练时，我得到一个错误：Rating，（int（self.user）、int（self.product）、float（self.Rating））看起来我们遇到了类似的问题：如何预测新用户而不必重新训练整个模型？