ALS 个性化召回算法原理

概述

• 是最小二乘法；
• 利用矩阵分解的结果，无限逼近现有数据，得到隐含特征；
• 利用隐含特征，预测其余结果；

ALS 算法 | 举个栗子

	product1	product2	product3
user1	3.0
user2		1.0	3.0
user3			3.0
user4	1.0

• 在线采集系统会记录用户的所有行为；
• user2 浏览过 product2，计 1.0 分，多次浏览也只计 1.0 分，只计 UV，不记 PV；
• user1 浏览并下单过 product1，计 3.0 分；
• 推荐系统要做的事情，比如对 user2 来说，不是再推荐 product2 和 product3 给 user2，而是在没有分数的 product 里给 user2 推荐，当然，在推荐之前，要给所有没有分数的格子打分，推荐的规则就是把算分最高的格子推荐给用户；
• ALS 算法，就是根据已有值的格子，得出每个 user 和 product 的特征值；

ALS 得出的 user 的特征值

	f1	f2	f3	f4	f5
user1	0.21	0.31	0.01	0.29	0.89
user2	0.29	0.22	0.54	0.78	0.12
user3	0.12	0.67	0.31	0.64	0.11
user4	0.12	0.98	0.56	0.45	0.43

• 这个表格是由隐含层预测出来的；

ALS 得出的 product 的特征值

	f1	f2	f3	f4	f5
product1	0.21	0.31	0.01	0.29	0.89
product2	0.29	0.22	0.54	0.78	0.12
product3	0.12	0.67	0.31	0.64	0.12

矩阵相乘 U^' = UP^T

• 通过最小二乘法，不断的拟合到有值的格子，然后之前空值的格子也都有值了；
• 推荐就是根据拟合的结果做排序，拟合结果高的格子推荐给用户；