Apache spark 使用trainImplicit实现推荐系统

假设我有一个用户购买产品的数据库（没有评级或类似的东西），我想为他们推荐其他产品。我使用的是

ATL.trainImplicit

，其中培训数据的格式如下：

[Rating(user=2, product=23053, rating=1.0),
Rating(user=2, product=2078, rating=1.0),
Rating(user=3, product=23, rating=1.0)]

因此，训练数据集中的所有评分始终为1

---

预测评级给出的最小值

-0.6

和最大评级

1.85

是否正常？我希望在0和1之间。是的，这是正常的。ALS的隐式版本本质上是试图重建二元偏好矩阵

P

（而不是显式评级矩阵

R

）。在这种情况下，“评级”被视为置信水平-评级越高，二元偏好

p（ij）

应重建为

1

，而不是

0

然而，ALS基本上解决了（加权）最小二乘回归问题，以找到重建矩阵

p

的用户和项目因子矩阵。因此，预测值不能保证在[0,1]范围内（尽管在实践中它们通常接近该范围）。将这些预测解释为“不透明”值就足够了，其中值越高，用户购买该产品的可能性就越大。这就足够按预测分数对推荐产品进行排序了

---

（注意项目或用户相似度通常使用因子向量之间的余弦相似度计算，因此这些分数将位于[-1,1]。该计算在Spark中不直接可用，但可以自己进行）。

是的，这是正常的。ALS的隐式版本本质上是试图重建二元偏好矩阵

P

（而不是显式评级矩阵

R

）。在这种情况下，“评级”被视为置信水平-评级越高，二元偏好

p（ij）

应重建为

1

，而不是

0

然而，ALS基本上解决了（加权）最小二乘回归问题，以找到重建矩阵

p

的用户和项目因子矩阵。因此，预测值不能保证在[0,1]范围内（尽管在实践中它们通常接近该范围）。将这些预测解释为“不透明”值就足够了，其中值越高，用户购买该产品的可能性就越大。这就足够按预测分数对推荐产品进行排序了

---

（注意项目或用户相似度通常使用因子向量之间的余弦相似度计算，因此这些分数将位于[-1,1]。该计算在Spark中不直接可用，但可以自己完成）。

您的用户只购买一次产品？所有这些都是一次？您的用户只购买一次产品？所有人都一次？