2

В настоящее время, когда приходит новый пользователь, я не могу обновить мою рекомендательную систему, которая, вероятно, связана с тем, что вы не добавили матрицу пользователя и элемента. Где я могу найти это и как это сделать? БлагодаряКак я могу обрабатывать новых пользователей/элементов в модели, созданной Spark ALS из MLlib?

model.userFactors model.itemFactors

+0

Не могли бы вы объяснить вашу проблему или, может быть, предоставить образцы кода – Vishnu667

+1

Извините, я сначала редактировал заголовок со словом «безопасный» insted из «save». Но, как я вижу, проблема заключается не в сохранении модели, а в том, чтобы (1) выработать рекомендацию для нового пользователя/пункта a.k.a * проблема с холодным запуском * и (2) обновление уже рассчитанной модели. См. Мой ответ ниже. Мне жаль, что я не дал лучшего названия, но прямо сейчас я не могу редактировать smth, что находится в обзоре :-( –

+0

См. Здесь для возможного решения: http://stackoverflow.com/questions/41537470/als-model-how- чтобы генерировать-полный U-Vt-V –

ответ

6

Когда предметы особенность и пользователи функция вычисляются модели получают только рекомендовать известные предметы и пользователь. Если у вас есть новый пользователь/элемент, вам нужно справиться с проблемой с холодным пуском.

Но есть две вещи: рекомендации по работе для новых пользователей/элементов, а отдельная вещь обновляет модель (характеристики матриц) около онлайн.

Чтобы подготовить рекомендации для нового/анонимного пользователя, который не был во входных данных, когда была построена модель, вам необходимо подготовить вектор функций. Метод состоит в том, чтобы подготовить его к особенностям элементов, которые уже видели (или любого вида взаимодействия, которое вы рассматриваете как «как»), например. вычислить среднее значение для каждой функции из тех предметов, которые понравились пользователю. Или посмотрите на Oryx код для метода building anonymous user feature vector

Для обновления вашей модели почти онлайн (я пишу рядом, потому что лицо это, истинное онлайн обновление невозможно), используя Отклоняемое технику, например: Online-Updating Regularized Kernel Matrix Factorization Models for Large-Scale Recommender Systems. Оу Вы можете посмотреть на код:

  • MyMediaLite
  • Oryx - основа построения с Lambda архитектуры парадигмы. И он должен иметь обновления со сбрасыванием новых пользователей/элементов.

 Смежные вопросы

  • Нет связанных вопросов^_^