Machine learning 如何对偏好进行后期处理？（我正在使用spark）_Machine Learning_Apache Spark Ml

Machine learning 如何对偏好进行后期处理？（我正在使用spark）

machine-learning

Machine learning 如何对偏好进行后期处理？（我正在使用spark）,machine-learning,apache-spark-ml,Machine Learning,Apache Spark Ml,我熟悉“隐式反馈数据集的协作过滤”一文。我使用spark ml ALS implicit向用户推荐项目，参数Alpha=30，Rank=10，RegParam=0.1。在我的数据集中，只有使用多个项目的用户（根据此处给出的建议） ) 我使用.recommendForAllUsers并获取首选项p\u ui。然后，我只过滤“新”建议（不在输入数据集中的用户项组合）。我还过滤首选项>0.01以仅获取最优选的项问题是：如何对偏好进行后处理，使其更接近“概率”？（我的程序需要输出某种“概率”）将

我熟悉“隐式反馈数据集的协作过滤”一文。我使用spark ml ALS implicit向用户推荐项目，参数Alpha=30，Rank=10，RegParam=0.1。在我的数据集中，只有使用多个项目的用户（根据此处给出的建议） )

我使用

.recommendForAllUsers

并获取首选项

p\u ui

。然后，我只过滤“新”建议（不在输入数据集中的用户项组合）。我还过滤首选项>0.01以仅获取最优选的项

问题是：如何对偏好进行后处理，使其更接近“概率”？（我的程序需要输出某种“概率”）

将首选项缩放到

[0.5,1.0]

是一个好主意吗？（使用公式：

scaled_preference = ($"preference"*0.5 + max_preference*0.5 -
  min_preference)/(max_preference - min_preference) ) ?