ALS（Alternating Least Squares）

ALS（Alternating Least Squares）算法是基于矩阵分解的协同过滤算法中的一种，它已经集成到Spark的Mllib库中，使用起来比较方便。

1.矩阵分解

这里的矩阵分解可以理解为，将一个m×n的矩阵A分解为一个m×k的矩阵U和n×k的矩阵V的转置的乘积的近似值，即

$$A_{m×n}≈U_{m×k}×V_{n×k}^T$$
将这个公式放到推荐系统中，则 $A_{m×n}$表示用户对产品的偏好评分矩阵， $U_{m×k}$代表用户对隐含特征的偏好矩阵， $V_{n×k}$表示产品所包含的隐含特征矩阵。
为了使矩阵U和V转置的乘积尽可能接近A，我们使用用户喜好特征矩阵U(m∗k)中的第i个用户的特征向量 $u_{i}$,和产品特征矩阵V(n∗k)第j个产品的特征向量 $v_{j}$预测打分矩阵A(m∗n)中的 $a_{ij}$,需要最小化平方误差损失函数： $$C =\sum_{i,j∈R}[(a_{ij}-u_{i}v_{j}^T)^{2}+\lambda(u_{i}^2+v_{j}^2) ]$$
有了损失函数之后，下面就开始介绍优化方法。通常的优化方法分为两种：交叉最小二乘法（alternative least squares）和随机梯度下降法（stochastic gradient descent）。

2.交替最小二乘法(ALS)

在开始的时候，随机初始化一个$u_{i}$的值，因此上式就变成了一个关于$v_{j}$的函数，问题转化为最小二乘问题，用最小二乘法求$v_{j}$的最优解：

其迭代步骤是：首先随机初始化$u_{i}$，利用上述方法更新得到$v_{j}$，然后利用$u_{i}$的表达式更新$u_{i}$，直到RMSE（均方根误差）变化很小或者到达最大迭代次数为止。