基于sparkMLlib的机器学习_[2]_基本算法[1]协同过滤算法

协同过滤算法

1-1基本概述

基于用户或物品的推荐算法，人以群分，物以类聚

（1）  基于用户，“人以群分”

孩童A和孩童B是“志同道合”的基友（相似度很高），将A喜欢的物品推荐给B是合理的

（2）基于物品，“物以类聚”

在无先验知识的前提下，根据孩童A所喜欢物品的相似性，将相似物品推荐给A，是合理的

（3）问题

基于用户，数据量大，对于通用物品往往优先推荐，对于热点物品不够准

基于物品，数据量相对小，而推荐同类物品存在用户已持有不再需要的问题

1-2相似度度量原理（如何判断是“基友”）

参考资料：

1. 1. 距离和相似性度量
   2. Machine Learning: Measuring Similarity and Distance
   3. What is Mahalanobis distance?
   4. Cosine similarity, Pearson correlation, and OLS coefficients
   5. 机器学习中的相似性度量
   6. 动态时间归整 | DTW | Dynamic Time Warping
   7. 漫谈：机器学习中距离和相似性度量方法
      

1-3算法学习

协同过滤之ALS-WR算法

阿基米德项目ALS矩阵分解算法应用案例

Databricks孟祥瑞：ALS 在 Spark MLlib 中的实现

http://www.cnblogs.com/ShaneZhang/p/3938026.html

http://www.fuqingchuan.com/2015/07/596.html

1-4实践

（1）spark summit2014中的电影推荐实践示例

Movie Recommendation with MLlib