Apache spark Spark mllib：隐式训练和显式训练的区别
我尝试使用显式训练函数根据用户偏好（派生偏好）和MSE推荐产品，因为它对于训练和测试数据集都足够好。（λ=0.01） 当我在trainImplicit中使用相同的数据时，测试数据集和训练数据集的MSE都增加到20倍。（lambda=0.01，alpha=1.0）Apache spark Spark mllib：隐式训练和显式训练的区别,apache-spark,machine-learning,apache-spark-mllib,recommendation-engine,collaborative-filtering,Apache Spark,Machine Learning,Apache Spark Mllib,Recommendation Engine,Collaborative Filtering,我尝试使用显式训练函数根据用户偏好（派生偏好）和MSE推荐产品，因为它对于训练和测试数据集都足够好。（λ=0.01） 当我在trainImplicit中使用相同的数据时，测试数据集和训练数据集的MSE都增加到20倍。（lambda=0.01，alpha=1.0） 现在我知道这些是不同的算法，但我如何判断隐式训练是否比显式训练更有效？基本上隐式训练和显式训练的区别在于，当你只有与该项目相关的隐式动作时，才应该使用隐式训练，以便提出建议，例如观点，点击、购买、喜欢、共享等，而当您对想要推荐的项目有明
现在我知道这些是不同的算法，但我如何判断隐式训练是否比显式训练更有效？基本上隐式训练和显式训练的区别在于，当你只有与该项目相关的隐式动作时，才应该使用隐式训练，以便提出建议，例如观点，点击、购买、喜欢、共享等，而当您对想要推荐的项目有明确的费率时，则假定使用explicit。
现在谈到这个算法在该领域的应用，我在做电影推荐系统时也得到了与您相同的情况，我无法解释为什么隐式在显式数据集训练时比显式得到更好的结果。在我看来，MSE是衡量绩效的合适标准。您可以做的一件事是检查spark mllib的实现，并尝试了解原因：）。
很抱歉，我没有回答您。“在显式数据集中训练时，隐式比显式获得更好的结果”您是如何衡量这一点的？您是否需要隐式算法的评分/首选项介于0-1之间？很抱歉再次ping您，但您能否回答该问题^explicit的评分值是多少？我这样问是因为如果你不正常化，比如说你的评分在1-5之间，那么给定评分的平方误差将在0到16之间。而对于内隐反馈，它将在0到1之间。同样，你如何从外显到内隐？对我来说，使用explicit，对于每个用户，你都有很多未知的（他们没有评分的产品），然后是一些产品的评分（即使评分是0-1）。然而隐式的，你有很多0和一对1