我想使用 spark ALS 进行多行为隐式反馈推荐。有几种隐式用户行为数据，例如浏览、购物车、交易等。
我检查了许多在线资源以获取 ALS 隐式反馈推荐，但几乎所有资源都只使用单一数据源，在购物案例中，交易数据。
我想知道是只需要交易数据还是利用各种数据以获得更好的结果？
【问题讨论】：
标签： apache-spark pyspark spark-dataframe apache-spark-mllib recommendation-engine
没有通用的、有原则的方法来使用具有多种行为的 ALS。有时使用不同的行为来改变隐含评分——例如，查看一个项目可能价值 0.1，在多个会话中查看可能价值 0.3，将其放入购物车 0.5，购买 1.0。但这感觉有点 hacky，并且不容易提供一种方法来利用您可能拥有的所有数据。
对于可扩展以处理许多不同功能的更有原则的方法，我会看看Universal Recommender。免责声明：我从未使用过它，我只是觉得它听起来很有希望。
【讨论】：
是的，您最好使用所有交易数据和用户数据。你用ALS获取用户向量和deal向量，然后计算deal和user的相似度，如果user或者deal没有向量，我们就无法得到下一次推荐的相似度。 我做了一个ALS测试，用user和deal的相似度来训练我的模型，这给了我很大的惊喜，auc如下：
2018-06-05 21:25:28,138 INFO [21:25:28] [58] test-auc:0.968764 train-auc:0.972966
2018-06-05 21:25:28,442 INFO [21:25:28] [59] test-auc:0.968865 train-auc:0.973075
因为我使用所有交易和用户信息来训练模型。但 rmse 是 3.6，也许我应该调整我的参数。
【讨论】：