将 trainImplicit 用于推荐系统
Using trainImplicit for a Recommendation system
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。我正在使用 ATL.trainImplicit，其中训练数据具有以下格式：
[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。
预测评分给出最小值 -0.6 和最大评分 1.85 是否正常？我希望介于 0 和 1 之间。
是的，很正常。 ALS 的隐式版本本质上是试图重建二元偏好矩阵 P（而不是显式评分矩阵 R）。在这种情况下，"ratings" 被视为置信水平 - 更高的评级等于更高的置信度，即二元偏好 p(ij) 应该重建为 1 而不是 0.
但是，ALS 本质上解决了一个（加权的）最小二乘回归问题，以找到重构矩阵 P 的用户和项目因子矩阵。因此，不能保证预测值在 [0, 1] 范围内（尽管实际上它们通常 接近 到该范围）。将预测解释为 "opaque" 值就足够了，其中较高的值等同于用户购买该产品的可能性更大。这足以按预测分数对推荐产品进行排序。
（注意项目-项目或用户-用户相似度通常是使用因子向量之间的余弦相似度计算的，因此这些分数将位于 [-1, 1]。该计算在 Spark 中不直接可用，但可以自己做）。
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。我正在使用 ATL.trainImplicit，其中训练数据具有以下格式：
[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。
预测评分给出最小值 -0.6 和最大评分 1.85 是否正常？我希望介于 0 和 1 之间。
是的，很正常。 ALS 的隐式版本本质上是试图重建二元偏好矩阵 P（而不是显式评分矩阵 R）。在这种情况下，"ratings" 被视为置信水平 - 更高的评级等于更高的置信度，即二元偏好 p(ij) 应该重建为 1 而不是 0.
但是，ALS 本质上解决了一个（加权的）最小二乘回归问题，以找到重构矩阵 P 的用户和项目因子矩阵。因此，不能保证预测值在 [0, 1] 范围内（尽管实际上它们通常 接近 到该范围）。将预测解释为 "opaque" 值就足够了，其中较高的值等同于用户购买该产品的可能性更大。这足以按预测分数对推荐产品进行排序。
（注意项目-项目或用户-用户相似度通常是使用因子向量之间的余弦相似度计算的，因此这些分数将位于 [-1, 1]。该计算在 Spark 中不直接可用，但可以自己做）。