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' = UPT
- 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；
