协同过滤算法

1,，实现User-based协同过滤算法：

       数据格式：【用户id】，【项目id】，【评分】

       

2，实现Item-based协同过滤算法

      

3，基于奇异值分解实现Model-based协同过滤算法

     

4，基于Spark的MLlib实现协同过滤算法

4.1 MLlib的推荐算法工具

      org.spache.Spark.mllib.recommendation中提供了3个用于协同过滤推荐的数据类型，即Rating、ALS和MatrixFactorizationModel

             Rating：Rating对象是一个用户、项目和评分的三元组。

             ALS：ALS提供了求解带偏置矩阵分解的交替最小二乘算法

             MatrixFactorizationModel：ALS求解矩阵分解返回的结果类型

             作为训练结果的MatrixFactorizationModel中提供了许多推荐操作。

                   val productFeatures:RDD[(Int,Array[Double])]:返回矩阵分解的项目特征

                   val userFeatures:RDD[(Int,Array[Double])]:返回矩阵分解的用户特征

                   def predict(userProducts:RDD[(Int,Int)]):RDD[Rating]:根据参数中需要预测的用户-项目，返回预测的评分结果

                   def predict(user:int,product:int):预测用户user对项目product的评分

                   def recommendProducts(user:Int,num:Int):Array[Rating]:为用户user推荐个数为num的商品

                   def recommendUsers(product:Int,num:Int):Array[Rating]:为项目product推荐可能对其感兴趣的num个用户

4.1.2 协同过滤推荐实例

         

5，案例：使用Mllib协同过滤实现电影推荐

                MovieLens数据集可以在官网https://movielens.org下载到

                movies.csv 格式

                                             movieID，Title，Generes

                rating.csv格式

                                            userID,MovieID,Rating,Timestamp

                

                

                

                

               也可以使用Spark MLlib内置的求解RMSE和MSE

               首先，我们使用RegressionMetrics来求解MSE和RMSE得分。实例化一个RegressionMetrics对象需要一个键值对类型的RDD。其每一条记录对应每个数据点上相应的预测值与实际值。