Pyspark 如何确定Spark中ALS.transImplicit的偏好/信心？

我正在Spark中使用来自

ALS

的

trainsimplicit

。 从文档页面：，使用

trainImplicit（评级、排名、迭代次数=5、lambda_uu2;=0.01、blocks=-1、alpha=0.01、nonnegative=False、seed=None）

来训练模型

我的问题是，我们是否应该将

评级

输入为

（用户、产品、查看次数/观看时间>0）

？ 或

（用户、产品、首选项=0/1）

同时，我注意到如果将

alpha=0.01

更改为其他值，结果将不同。我们如何知道训练期间Spark中使用了哪些偏好置信关系，如

c=1+alpha*r

或

1+alpha*log（1+r/e）

（

r

可能是持续时间或频率数）

我还注意到，在web中，

trainsimplicit

classmethod中有

cls

。这是定义偏好-信心关系的一种方法吗

---

非常感谢

隐式偏好的含义是，每次用户查看/观看产品时，您的信心都会增强。对的 因此，输入应该是

（用户、产品、查看次数/观看时间>0）

如果您将输入限制为0/1首选项，则只会丢失信息

从照片上看

if（隐式prefs）{
//扩展到原始纸张以处理b<0。置信度是| b的函数|
//所以它永远不会是负的，c1是置信度-1.0。
val c1=α*数学绝对值（额定值）
//因为YtY已经被添加了，我们需要在这里调整比例。
如果（评级>0）{
numExplicits+=1
加上（系数（c1+1.0）/c1，c1）
}
} 

ALS使用线性相关的修改版本

---

不过，我从来没有看过任何关于这方面的文档。但是我们如何知道ALS在训练模型中使用

confidence=1+alpha*r

或

confidence=1+alpha*log（1+r/e）

？此处

r=查看时间/观看时间

，任意实数和>0。

if (implicitPrefs) {
  // Extension to the original paper to handle b < 0. confidence is a function of |b|
  // instead so that it is never negative. c1 is confidence - 1.0.
  val c1 = alpha * math.abs(rating)
  // For rating <= 0, the corresponding preference is 0. So the term below is only added
  // for rating > 0. Because YtY is already added, we need to adjust the scaling here.
  if (rating > 0) {
    numExplicits += 1
    ls.add(srcFactor, (c1 + 1.0) / c1, c1)
  }
}