基于Spark ALS算法的个性化推荐

今天来使用spark中的ALS算法做一个小推荐。需要数据的话可以点击查看初识sparklyr—电影数据分析，在文末点击阅读原文即可获取。

 

其实在R中还有一个包可以做推荐，那就是recommenderlab。如果数据量不大的时候可以使用recommenderlab包，之前也用该包做过电影评分预测模型（点击即可查看）。如果数据量较大还是推荐使用spark来进行计算。

 

在spark中包含了许多机器学习算法，其中就有一个推荐算法，即ALS。

ALS算法也就是协同过滤算法，它是基于矩阵分解的协同过滤，何为矩阵分解？就是把一个评分矩阵A分解为两个矩阵B,C。B*C=A。为什么要进行分解？那是因为矩阵A是一个稀疏矩阵，分解之后的B,C矩阵相对能稠密一点。使用该算法可以很方便的做一个推荐系统，核心代码只有三行。

一.读取数据

数据可以在初识sparklyr—电影数据分析文末点击阅读原文即可获取。

moviedata<-read.table("u.data",header = FALSE,sep = "\t")

#这四列数据分别表示：用户id，电影id