如何处理由 MLlib 生成的 Spark ALS 模型中的新用户/项目？

Posted 2023-02-16

【中文标题】如何处理由 MLlib 生成的 Spark ALS 模型中的新用户/项目？

【英文标题】：How can I handle new users/items in model generated by Spark ALS from MLlib?

【发布时间】：2016-08-11 22:18:16

【问题描述】：

目前，当有新用户出现时，我无法更新我的推荐系统，这显然与未添加用户和项目矩阵有关。 我在哪里可以找到这个以及如何做到这一点？谢谢

model.userFactors 模型.itemFactors

【问题讨论】：

能否请您解释一下您的问题或提供一些代码示例

对不起，我首先用“安全”一词编辑了标题，并替换了“保存”。但正如我所见，问题不在于保存模型，而在于 (1) 为新用户/项目 (a.k.a cold-start problem) 生成推荐和 (2) 更新已计算的模型。请看下面我的回答。我希望我给了一个更好的标题，但现在我无法编辑正在审查的内容:-(

查看此处了解可能的解决方案：***.com/questions/41537470/…

【参考方案1】：

当计算项目特征和用户特征时，模型仅准备为已知项目和用户推荐。如果您有新用户/项目，您必须应对 冷启动 问题。

但有两件事 - 为新用户/项目提供推荐，另一件事是近乎在线地更新模型（特征矩阵）。

为了为新/匿名用户准备推荐，在构建模型时输入数据中没有，您必须准备它的特征向量。该方法是从已经看到的项目的特征（或您认为“喜欢”的任何类型的交互）中准备它，例如从用户喜欢的那些项目中计算每个特征的平均值。或者看building anonymous user feature vector的方法的Oryx代码

使用折叠技术更新您的模型接近在线（我写接近，因为面对现实，真正的在线更新是不可能的），例如： Online-Updating Regularized Kernel Matrix Factorization Models for Large-Scale Recommender Systems. 欧你可以看一下代码：

MyMediaLite Oryx - 使用 Lambda 架构范例构建的框架。并且它应该包含新用户/项目的更新。