从examples中学spark（三）：ALSExample.scala

基于矩阵分解的推荐算法（评分数据集中，并不是每个用户都对每个产品进行过评分，所以这个矩阵往往是很稀疏的【所以更应该多注意过拟合的问题】，也就是说用户i对产品j的评分很多地方是空的，ALS所做的事情就是将这个稀疏矩阵通过一定的规律填满，这样就可以从矩阵中得到任意一个user对任意一个product的评分，然后以此为据做推荐。所以说，ALS算法的核心就是：打分矩阵是近似低秩的。换句话说，打分矩阵A(m∗n)”可以由“用户喜好特征矩阵U(m∗k)”和“产品特征矩阵V(n∗k)”的乘积。

显示反馈与隐式反馈（显式数据的数值代表偏好，隐式数据【无正面的直接表达用户喜好情况的数据】的数值代表了置信等级（confidence level））
##学习中（领悟）

// scalastyle:off println
package org.apache.spark.examples.ml

// $example on$
import org.apache.log4j.{Level, Logger}
import org.apache.spark.ml.evaluation.RegressionEvaluator
import org.apache.spark.ml.recommendation.ALS
// $example off$
import org.apache.spark.sql.SparkSession

object ALSExample {

  // $example on$
/**  当你声明了一个 case class（样例类）时，scala会帮助我们做下面几件事情：
  1 构造器中的参数如果不被声明为var的话，它默认的话是val类型的，但一般不推荐将构造器中的参数声明