我想使用spark ALS进行多行为隐式反馈推荐。有几种类型的隐式用户行为数据，如浏览，购物车，交易等。我已经检查了大量的在线来源ALS隐式反馈建议，但几乎所有的人都只利用单一的数据源，在购物的情况下，交易数据。我想知道是否只需要交易数据或利用各种数据更好的结果？
mctunoxg1#
没有通用的，原则性的方法来使用ALS与多种行为。有时候，不同的行为会改变隐含的评分--例如，查看一个项目可能值0.1，在多个会话中查看可能值0.3，将其放入购物车0.5，购买1.0。但这感觉有点像黑客，并且不容易提供一种利用您可能拥有的所有数据的方法。对于一个更有原则的方法，可以扩展到处理许多不同的功能，我想看看Universal Recommender。免责声明：我从来没有用过，我只是觉得听起来很有希望。
46qrfjad2#
是的，你最好使用所有的交易数据和用户数据。首先利用ALS算法获取用户向量和交易向量，然后计算交易与用户的相似度，如果用户或交易没有向量，则无法计算出用户或交易与用户的相似度。我对ALS进行了测试，并使用用户和交易的相似性来训练我的模型，它给了我很大的惊喜，auc如下：
2018-06-05 21:25:28,138 INFO [21:25:28] [58] test-auc:0.968764 train-auc:0.9729662018-06-05 21:25:28,442 INFO [21:25:28] [59] test-auc:0.968865 train-auc:0.973075
2018-06-05 21:25:28,138 INFO [21:25:28] [58] test-auc:0.968764 train-auc:0.972966
2018-06-05 21:25:28,442 INFO [21:25:28] [59] test-auc:0.968865 train-auc:0.973075
因为我使用所有的交易和用户信息来训练模型。但是rmse是3.6，也许我应该调整我的参数。
2条答案
按热度按时间mctunoxg1#
没有通用的，原则性的方法来使用ALS与多种行为。有时候，不同的行为会改变隐含的评分--例如，查看一个项目可能值0.1，在多个会话中查看可能值0.3，将其放入购物车0.5，购买1.0。但这感觉有点像黑客，并且不容易提供一种利用您可能拥有的所有数据的方法。
对于一个更有原则的方法，可以扩展到处理许多不同的功能，我想看看Universal Recommender。免责声明：我从来没有用过，我只是觉得听起来很有希望。
46qrfjad2#
是的，你最好使用所有的交易数据和用户数据。首先利用ALS算法获取用户向量和交易向量，然后计算交易与用户的相似度，如果用户或交易没有向量，则无法计算出用户或交易与用户的相似度。我对ALS进行了测试，并使用用户和交易的相似性来训练我的模型，它给了我很大的惊喜，auc如下：
因为我使用所有的交易和用户信息来训练模型。但是rmse是3.6，也许我应该调整我的参数。