我如何处理 MLlib 的 Spark ALS 生成的模型中的新 users/items？
How can I handle new users/items in model generated by Spark ALS from MLlib?
当前，当新用户到来时，我无法更新我的推荐系统，这显然与未添加用户和项目矩阵有关。
我在哪里可以找到这个以及如何做到这一点？谢谢
model.userFactors
model.itemFactors
计算项目特征和用户特征时，模型仅准备为已知项目和用户推荐。如果你有新的user/item，你必须应对冷启动的问题。
但是有两件事 - 使推荐对新 users/items 起作用，另一件事是更新模型（特征矩阵）接近在线。
为了为 new/anonymous 用户准备推荐，在构建模型时不在输入数据中，您必须准备它的特征向量。该方法是根据已经看到的项目的特征（或您正在考虑的任何类型的交互 'like'）准备它，例如从用户喜欢的项目中计算每个特征的平均值。或查看Oryx 代码以获取building anonymous user feature vector
的方法
通过使用折叠技术更新您的模型近在线（我写近，因为面对现实，真正的在线更新是不可能的），例如：
Online-Updating Regularized Kernel Matrix Factorization Models for Large-Scale Recommender Systems.
欧 你可以看看代码：
- MyMediaLite
- Oryx - 使用 Lambda 架构范例构建的框架。它应该有新 users/items.
折叠的更新
当前，当新用户到来时，我无法更新我的推荐系统，这显然与未添加用户和项目矩阵有关。 我在哪里可以找到这个以及如何做到这一点？谢谢
model.userFactors model.itemFactors
计算项目特征和用户特征时，模型仅准备为已知项目和用户推荐。如果你有新的user/item，你必须应对冷启动的问题。
但是有两件事 - 使推荐对新 users/items 起作用，另一件事是更新模型（特征矩阵）接近在线。
为了为 new/anonymous 用户准备推荐，在构建模型时不在输入数据中，您必须准备它的特征向量。该方法是根据已经看到的项目的特征（或您正在考虑的任何类型的交互 'like'）准备它，例如从用户喜欢的项目中计算每个特征的平均值。或查看Oryx 代码以获取building anonymous user feature vector
的方法通过使用折叠技术更新您的模型近在线（我写近，因为面对现实，真正的在线更新是不可能的），例如： Online-Updating Regularized Kernel Matrix Factorization Models for Large-Scale Recommender Systems. 欧 你可以看看代码：
- MyMediaLite
- Oryx - 使用 Lambda 架构范例构建的框架。它应该有新 users/items. 折叠的更新