Mahout:如何为新用户提出建议

Question

我们计划将 Mahout 用于电影推荐系统。而且我们还计划
使用 SVD 进行模型构建。

当新用户到来时，我们将要求他/她对一定数量的电影(比如 10 部)进行评分。

问题是，为了向这个新用户推荐，我们必须再次重建整个模型。

有没有更好的方法呢？

谢谢

Answer 1

是的...虽然不是在 Mahout 中。那里的实现本质上是围绕数据模型的定期重新加载和重建而构建的。在某些实现中，这仍然允许您即时使用新数据，例如基于邻域的实现。我认为基于 SVD 的内存中没有这样做(我没有写它。)

理论上，您可以从第一次点击或评分开始提出推荐，方法是通过折叠将目标项目/电影投影回用户特征空间。为了大大简化——如果输入 A 的 rank-k 近似分解是 Ak = Uk * Sk * Vk'，那么对于新用户 u，您需要一个新行 Uk_u 用于更新。你有 A_u。

Uk = Ak * (Vk')^-1 * (Sk)^-1。好消息是右边的那两个倒数是微不足道的。 (Vk')^-1 = Vk 因为它有正交列。 (Sk)^-1 只是取 Sk 对角线元素的倒数。

所以 Uk_u = Ak_u * (Vk')^-1 * (Sk)^-1。您没有 Ak_u，但是您有 A_u，它大致相同，因此您可以使用它。

如果你喜欢 Mahout，也喜欢矩阵分解，我建议你考虑 ALS 算法。这是一个更简单的过程，因此速度更快(但会使折叠更难一些——参见 a recent explanation I gave 的结尾)。它非常适合推荐。

这也存在于 Mahout 中，尽管没有实现折叠。 Myrrix ，这是我从 Mahout 继续工作的地方，实现了所有这些。