如何使用辅助用户操作来改进 Spark ALS 的建议？
How to use secondary user actions with to improve recommendations with Spark ALS?
在使用 Spark Mllib ALS 时，有没有办法使用从用户点击流派生的辅助用户操作来改进推荐？
我已经完成了此处提到的基于显式和隐式反馈的示例：https://spark.apache.org/docs/latest/mllib-collaborative-filtering.html 对 train() 和 trainImplicit() 方法使用相同的评级 RDD。
这是否意味着我需要为每个次要用户操作在具有 RDD(user,item,action) 的同一模型对象上调用 trainImplicit()？或者训练多个模型，根据每个动作检索建议，然后将它们线性组合？
对于其他上下文，问题的症结在于 Spark ALS 是否可以模拟辅助操作，例如 Mahout 的 spark 项目相似性作业。任何指针都会有所帮助。
免责声明：我使用 Mahout 的 Spark Item Similarity。
一般情况下，ALS 不适用于多项操作。先上个图。我们在 ALS 中消耗多个动作的方式是将一个动作置于另一个之上。例如购买 = 5，查看 = 3。ALS 是在评级似乎很重要并且预测评级成为问题的时代设计的。我们现在知道排名更重要。在任何情况下，ALS 使用预测 ratings/weights 对结果进行排名。这意味着视图实际上没有告诉 ALS 任何东西，因为等级 3 意味着什么？像？不喜欢？ ALS 试图通过添加正则化参数来解决这个问题，这将有助于确定 3 是否相似。
但问题比这更根本，它是用户意图之一。当用户查看产品时（使用上面的电子商务类型示例）涉及多少 "buy" 意图？根据我自己的经验，可能有none，也可能有很多。该产品是新产品，或者具有华而不实的图像或其他点击诱饵。或者我正在购物，在购买前先看 10 件东西。我曾经用一个大型 ecom 数据集对此进行了测试，发现没有正则化参数（与 ALS trainImplicit 一起使用）和动作权重的组合可以击败 "buy" 单独使用 事件的离线精度 .
因此，如果您正在使用 ALS，请先检查您的结果，然后再假设组合不同的事件会有所帮助。将两个模型与 ALS 一起使用也不能解决问题，因为从购买事件中你建议一个人买东西，从视图（或二级数据集）中你建议一个人查看一些东西。意图的基本性质没有解决。 recs 的线性组合仍然混合了意图，很可能会导致质量下降。
Mahout 的 Spark Item Similarity 所做的是将浏览量与购买相关联——实际上，它将主要操作（您明确了解用户意图的操作）与其他操作或有关用户的信息相关联。它建立了一个相关矩阵，实际上消除了那些与购买无关的观点。然后我们就可以使用数据了。这是一个非常强大的想法，因为现在几乎所有用户属性或操作（实际上是整个点击流）都可以用于制作推荐，因为相关性始终经过测试。通常几乎没有相关性，但没关系，这是一种从计算中删除的优化，因为相关性矩阵对 recs 的影响很小。
顺便说一句，如果您发现 Mahout 的 Spark Item Similarity 的集成与使用 MLlib ALS 相比令人望而生畏，我将捐赠一个端到端实现作为 Prediction.io, 的模板，所有这些都是 Apache 许可的开源。
在使用 Spark Mllib ALS 时，有没有办法使用从用户点击流派生的辅助用户操作来改进推荐？
我已经完成了此处提到的基于显式和隐式反馈的示例：https://spark.apache.org/docs/latest/mllib-collaborative-filtering.html 对 train() 和 trainImplicit() 方法使用相同的评级 RDD。
这是否意味着我需要为每个次要用户操作在具有 RDD(user,item,action) 的同一模型对象上调用 trainImplicit()？或者训练多个模型，根据每个动作检索建议，然后将它们线性组合？
对于其他上下文，问题的症结在于 Spark ALS 是否可以模拟辅助操作，例如 Mahout 的 spark 项目相似性作业。任何指针都会有所帮助。
免责声明：我使用 Mahout 的 Spark Item Similarity。
一般情况下，ALS 不适用于多项操作。先上个图。我们在 ALS 中消耗多个动作的方式是将一个动作置于另一个之上。例如购买 = 5，查看 = 3。ALS 是在评级似乎很重要并且预测评级成为问题的时代设计的。我们现在知道排名更重要。在任何情况下，ALS 使用预测 ratings/weights 对结果进行排名。这意味着视图实际上没有告诉 ALS 任何东西，因为等级 3 意味着什么？像？不喜欢？ ALS 试图通过添加正则化参数来解决这个问题，这将有助于确定 3 是否相似。
但问题比这更根本，它是用户意图之一。当用户查看产品时（使用上面的电子商务类型示例）涉及多少 "buy" 意图？根据我自己的经验，可能有none，也可能有很多。该产品是新产品，或者具有华而不实的图像或其他点击诱饵。或者我正在购物，在购买前先看 10 件东西。我曾经用一个大型 ecom 数据集对此进行了测试，发现没有正则化参数（与 ALS trainImplicit 一起使用）和动作权重的组合可以击败 "buy" 单独使用 事件的离线精度 .
因此，如果您正在使用 ALS，请先检查您的结果，然后再假设组合不同的事件会有所帮助。将两个模型与 ALS 一起使用也不能解决问题，因为从购买事件中你建议一个人买东西，从视图（或二级数据集）中你建议一个人查看一些东西。意图的基本性质没有解决。 recs 的线性组合仍然混合了意图，很可能会导致质量下降。
Mahout 的 Spark Item Similarity 所做的是将浏览量与购买相关联——实际上，它将主要操作（您明确了解用户意图的操作）与其他操作或有关用户的信息相关联。它建立了一个相关矩阵，实际上消除了那些与购买无关的观点。然后我们就可以使用数据了。这是一个非常强大的想法，因为现在几乎所有用户属性或操作（实际上是整个点击流）都可以用于制作推荐，因为相关性始终经过测试。通常几乎没有相关性，但没关系，这是一种从计算中删除的优化，因为相关性矩阵对 recs 的影响很小。
顺便说一句，如果您发现 Mahout 的 Spark Item Similarity 的集成与使用 MLlib ALS 相比令人望而生畏，我将捐赠一个端到端实现作为 Prediction.io, 的模板，所有这些都是 Apache 许可的开源。