Spark ALS从MLlib生成的模型中如何处理新用户/项目？

Question

Spark ALS从MLlib生成的模型中如何处理新用户/项目？

apache-sparkmachine-learningrecommendation-enginecollaborative-filtering

8

目前当新用户加入时，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。我该在哪里找到它并如何操作呢？谢谢。

model.userFactors model.itemFactors

- peter

请问您能否解释一下您的问题或者提供一些代码示例？ - Vishnu667

1

抱歉，我先用“safe”而不是“save”编辑了标题。但是我发现问题不在于保存模型，而在于（1）为新用户/项目生成推荐，即冷启动问题，以及（2）更新已计算的模型。请参见下面的答案。我希望我能给出一个更好的标题，但现在我无法编辑正在审核中的内容 :-( - Bartłomiej Twardowski

请在此处查看可能的解决方案：https://dev59.com/w57ha4cB1Zd3GeqPdAMt - Chris Snow

1个回答

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- Bartłomiej Twardowski · Accepted Answer

当计算物品特征和用户特征时，模型仅准备为已知的物品和用户进行推荐。如果您有新的用户/物品，则必须应对“冷启动”问题。

但是有两件事情——让推荐适用于新用户/物品，并且另一件事是在线更新模型（特征矩阵）。

为了为新的/匿名用户准备推荐，该用户在建立模型时不在输入数据中，您必须准备其特征向量。方法是从已经看到的物品的特征中准备它，例如从用户喜欢的那些物品中计算每个特征的平均值。或者查看Oryx代码以了解构建匿名用户特征向量的方法。

如果要使用折叠技术（fold-in technique）进行模型更新，可以参考以下文献： Online-Updating Regularized Kernel Matrix Factorization Models for Large-Scale Recommender Systems. 或者查看以下代码：

MyMediaLite
Oryx - 采用Lambda架构范式构建的框架。它应该具有对新用户/项目的折叠更新。

请注意，这里所说的“近在线”更新是因为真正的在线更新是不可能的。