Spark Item Similarity Interpretation（Cross-Similarity and Similarity）
Spark Item Similarity Interpretation (Cross-Similarity and Similarity)
我一直按照本文中的步骤通过 mahout 使用 Spark Item Similarity：
https://mahout.apache.org/users/algorithms/intro-cooccurrence-spark.html
我能够清理我的数据，设置一个仅限本地的 spark/hadoop 节点等等。
现在，我的问题更多地依赖于对矩阵的解释。我尝试了一些 Google 查询，但收效甚微。
我正在创建一个多模式推荐系统 - 我的一个数据集与 Mahout 示例非常相似。
示例输入：
Customer ActionName Product
11064612 view 241505
11086047 purchase 110915
11121878 view CERT_DL
11149030 purchase CERT_FS
11104130 view 111401
mahout 的输出是 2 组矩阵。一个相似度矩阵和一个共生矩阵。
这是我的相似度矩阵（我假设驯象师使用我的 "filter1" 购买）
**791207-WP** 791520-WP:11.350536461453885 791520:9.547158147208393 76130142:7.938639976084232 711215:7.0641921646893024 751309:6.805891904514283
那么我该如何解释呢？如果有人购买了 791207-WP，他们可能会对 791520-WP 感兴趣？ （所以我会使用左侧部分来表示客户的购买情况，并在右侧部分对产品进行排名？）。
791520-WP 的行如下所示：
791520-WP 76151220:18.954662238247693 791604-WP:13.951210170984268
所以，理论上，我会向购买 791520-WP 的人推荐 76151220，对吗？
问题的第 2 部分是解释交叉相似度矩阵。记住我的 filter2 是 "views".
我将如何解释：
**790907** 76120956:14.2824428207241 791500-LXQ2:13.864741460885853 190907:10.735807818360627
我将此矩阵视为“访问 76120956 网页的人最终购买了 790907”。因此，我应该向购买了 76120956 的客户推广 790907，甚至可能在我们网站上的这 2 种产品之间添加一个 link，例如。
或者是“访问了 790907 网页的人最终购买了 76120956”？
我的计划是不按原样使用这些。我仍然会使用 RowSimilarity 和不同的来源来对产品进行排名 - 但我缺少对 mahout 输出的基本解释。
如果您知道任何说明这一点的文档，那将是一笔宝贵的财富。
谢谢。
在这两种情况下，矩阵都会告诉您项目 ID 键与每个相似项目所附的 LLR 值所列出的项目相似。相似的意思是相似的用户购买了物品。在第二种情况下，它表示类似的人查看了这些项目，并且此视图似乎也导致了对同一项目的购买。
同现仅适用于购买，交叉出现会添加检查以确保视图也与购买相关。这允许您将两者用于推荐。
输出通常用于搜索引擎，您可以使用用户的购买和浏览历史作为针对矩阵的 2 字段查询，每个字段一个。
有类似的方法可以找到基于项目的推荐。
更好的是，在这里使用通用推荐器之类的东西：actionml.com/docs/ur 和 PredictionIO 用于端到端系统。
我一直按照本文中的步骤通过 mahout 使用 Spark Item Similarity：
https://mahout.apache.org/users/algorithms/intro-cooccurrence-spark.html
我能够清理我的数据，设置一个仅限本地的 spark/hadoop 节点等等。
现在，我的问题更多地依赖于对矩阵的解释。我尝试了一些 Google 查询，但收效甚微。
我正在创建一个多模式推荐系统 - 我的一个数据集与 Mahout 示例非常相似。
示例输入：
Customer ActionName Product
11064612 view 241505
11086047 purchase 110915
11121878 view CERT_DL
11149030 purchase CERT_FS
11104130 view 111401
mahout 的输出是 2 组矩阵。一个相似度矩阵和一个共生矩阵。
这是我的相似度矩阵（我假设驯象师使用我的 "filter1" 购买）
**791207-WP** 791520-WP:11.350536461453885 791520:9.547158147208393 76130142:7.938639976084232 711215:7.0641921646893024 751309:6.805891904514283
那么我该如何解释呢？如果有人购买了 791207-WP，他们可能会对 791520-WP 感兴趣？ （所以我会使用左侧部分来表示客户的购买情况，并在右侧部分对产品进行排名？）。
791520-WP 的行如下所示：
791520-WP 76151220:18.954662238247693 791604-WP:13.951210170984268
所以，理论上，我会向购买 791520-WP 的人推荐 76151220，对吗？
问题的第 2 部分是解释交叉相似度矩阵。记住我的 filter2 是 "views".
我将如何解释：
**790907** 76120956:14.2824428207241 791500-LXQ2:13.864741460885853 190907:10.735807818360627
我将此矩阵视为“访问 76120956 网页的人最终购买了 790907”。因此，我应该向购买了 76120956 的客户推广 790907，甚至可能在我们网站上的这 2 种产品之间添加一个 link，例如。
或者是“访问了 790907 网页的人最终购买了 76120956”？
我的计划是不按原样使用这些。我仍然会使用 RowSimilarity 和不同的来源来对产品进行排名 - 但我缺少对 mahout 输出的基本解释。
如果您知道任何说明这一点的文档，那将是一笔宝贵的财富。
谢谢。
在这两种情况下，矩阵都会告诉您项目 ID 键与每个相似项目所附的 LLR 值所列出的项目相似。相似的意思是相似的用户购买了物品。在第二种情况下，它表示类似的人查看了这些项目，并且此视图似乎也导致了对同一项目的购买。
同现仅适用于购买，交叉出现会添加检查以确保视图也与购买相关。这允许您将两者用于推荐。
输出通常用于搜索引擎，您可以使用用户的购买和浏览历史作为针对矩阵的 2 字段查询，每个字段一个。
有类似的方法可以找到基于项目的推荐。
更好的是，在这里使用通用推荐器之类的东西：actionml.com/docs/ur 和 PredictionIO 用于端到端系统。