Spark MLlib中协同过滤之交替最小二乘法ALS原理与实践

        请先阅读leboop发布的博文《Apache Mahout之协同过滤原理与实践 》。

        基于用户和物品的协同过滤推荐都是建立在一个用户-物品评分矩阵（user-item-score）展开的，其本质是利用现有数据填充矩阵的缺失项（missing entries），也就是预测评分。基于用户的协同过滤通过该评分矩阵来度量用户间的相似度（余弦相似度，距离相似度，皮尔森相似度，皮尔斯曼相似度等等）；然后，通过用户间的相似度来寻找被推荐用户u的k-最近邻用户{u1，u2，...，uk}；最后，加权{u1，u2，...，uk}给所有物品的评分来预测u尚未评分的每个物品的评分，按预测评分从高到低得到用户u的物品推荐列表{p1，p2，...，ph}；现在如果向用户u推荐一个物品，应当推荐p1，如果推荐两个物品，应当推荐p1和p2，以此类推。然而，这个算法并不能很好地适应大规模用户和物品数据，比如亚马逊Amazon数千万用户和数百万物品的在线商城，尽管大多数用户只评分或交易了非常少量的物品，复杂度非常低，但线上环境