月度归档： 2017年6月

ALS-WR(协同过滤推荐算法) in ML

原创文章，转载请注明： 转载自慢慢的回味

本文链接地址: ALS-WR(协同过滤推荐算法) in ML

Content:
  1. 简介
  2. Spark ALS代码分析
    1. 测试代码
    2. 训练数据
    3. In Blocks 和Out Blocks的构造
    4. 计算factors
    5. 测试数据
简介

ALS-WR算法，简单地说就是：
（数据格式为：userId, itemId, rating, timestamp ）
1 对每个userId随机初始化N（10）个factor值，由这些值影响userId的权重。
2 对每个itemId也随机初始化N（10）个factor值。
3 固定userId，从userFactors矩阵和rating矩阵中分解出itemFactors矩阵。即[Item Factors Matrix] = [User Factors Matrix]^-1 * [Rating Matrix].
4 固定itemId，从itemFactors矩阵和rating矩阵中分解出userFactors矩阵。即[User Factors Matrix] = [Item Factors Matrix]^-1 * [Rating Matrix].
5 重复迭代第3，第4步，最后可以收敛到稳定的userFactors和itemFactors。
6 对itemId进行推断就为userFactors * itemId = rating value；对userId进行推断就为itemFactors * userId = rating value。

理论推导可见Parallel-ALS推荐算法(factorize-movielens-1M)

继续阅读“ALS-WR(协同过滤推荐算法) in ML”本作品采用知识共享署名 4.0 国际许可协议进行许可。