apache-spark - 如何改善我的推荐结果？我正在使用 spark ALS 隐式

Question

首先，我有一些用户应用程序的使用历史。

例如:
user1, app1, 3(启动时间)
user2, app2, 2(启动时间)
user3, app1, 1(启动次数)

我基本上有两个需求:

为每个用户推荐一些应用程序。

为每个应用推荐类似的应用。

所以我在 spark 上使用了 MLLib 的 ALS(implicit) 来实现它。一开始，我只是使用原始数据来训练模型。结果很可怕。我认为这可能是由发射时间的范围引起的。并且发射时间从1到数千不等。所以我处理原始数据。我认为分数可以反射(reflect)真实情况，更正则化。

分数 = lt/uMlt + lt/aMlt

分数是训练模型的过程结果。
它是原始数据中的启动时间。
uMlt 是原始数据中用户的平均启动时间。 uMlt(用户的所有启动时间)/(该用户曾经启动的应用程序数量)
aMlt 是应用在原始数据中的平均启动时间。 aMlt(应用程序的所有启动时间)/(曾经启动此应用程序的用户数量)
这是处理后的数据的一些示例。

Rating(95788,20992,0.14167073369026184)
Rating(98696,20992,5.92363166809082)
Rating(160020,11264,2.261538505554199)
Rating(67904,11264,2.261538505554199)
Rating(268430,11264,0.13846154510974884)
Rating(201369,11264,1.7999999523162842)
Rating(180857,11264,2.2720916271209717)
Rating(217692,11264,1.3692307472229004)
Rating(186274,28672,2.4250855445861816)
Rating(120820,28672,0.4422124922275543)
Rating(221146,28672,1.0074234008789062)

完成此操作并聚合具有不同包名称的应用程序后，结果似乎更好。但还是不够好。
我发现用户和产品的特征如此之小，而且大部分都是负面的。

这是产品功能的 3 行示例，每行 10 个维度:

((CompactBuffer(com.youlin.xyzs.shoumeng, com.youlin.xyzs.juhe.shoumeng)),(-4.798973236574966E-7,-7.641608021913271E-7,6.040852440492017E-7,2.82689171626771E-7,-4.255948056197667E-7,1.815822798789668E-7,5.000047167413868E-7,2.0220664964654134E-7,6.386763402588258E-7,-4.289261710255232E-7))
((CompactBuffer(com.dncfcjaobhegbjccdhandkba.huojia)),(-4.769295992446132E-5,-1.7072002810891718E-4,2.1351299074012786E-4,1.6345139010809362E-4,-1.4456869394052774E-4,2.3657752899453044E-4,-4.508546771830879E-5,2.0895185298286378E-4,2.968782791867852E-4,1.9461760530248284E-4))
((CompactBuffer(com.tern.rest.pron)),(-1.219763362314552E-5,-2.8371430744300596E-5,2.9869115678593516E-5,2.0747662347275764E-5,-2.0555471564875916E-5,2.632938776514493E-5,2.934047643066151E-6,2.296348611707799E-5,3.8075613701948896E-5,1.2197584510431625E-5))

这是用户特征的 3 行示例，每行 10 个维度:

(96768,(-0.0010857731103897095,-0.001926362863741815,0.0013726564357057214,6.345533765852451E-4,-9.048808133229613E-4,-4.1544197301846E-5,0.0014421759406104684,-9.77902309386991E-5,0.0010355513077229261,-0.0017878251383081079))
(97280,(-0.0022841691970825195,-0.0017134940717369318,0.001027365098707378,9.437055559828877E-4,-0.0011165080359205604,0.0017137592658400536,9.713359759189188E-4,8.947265450842679E-4,0.0014328152174130082,-5.738904583267868E-4))
(97792,(-0.0017802991205826402,-0.003464450128376484,0.002837196458131075,0.0015725698322057724,-0.0018932095263153315,9.185600210912526E-4,0.0018971719546243548,7.250450435094535E-4,0.0027060359716415405,-0.0017731878906488419))

所以你可以想象当我得到特征向量的点积来计算用户-项目矩阵的值时有多小。

我的问题是:

有没有其他方法可以改善推荐结果？

我的功能是否正确，或者有什么问题？

我处理原始发射时间(转换为分数)的方式对吗？

我在这里放了一些代码。这绝对是一个程序问题。但也许几行代码也解决不了。

val model = ALS.trainImplicit(ratings, rank, iterations, lambda, alpha)
print("recommendForAllUser")
val userTopKRdd = recommendForAllUser(model, topN).join(userData.map(x => (x._2._1, x._1))).map {
  case (uid, (appArray, mac)) => {
    (mac, appArray.map {
      case (appId, rating) => {
        val packageName = appIdPriorityPackageNameDict.value.getOrElse(appId, Constants.PLACEHOLDER)
        (packageName, rating)
      }
    })
  }
}
HbaseWriter.writeRddToHbase(userTopKRdd, "user_top100_recommendation", (x: (String, Array[(String, Double)])) => {
  val mac = x._1
  val products = x._2.map {
    case (packageName, rating) => packageName + "=" + rating
  }.mkString(",")
  val putMap = Map("apps" -> products)
  (new ImmutableBytesWritable(), Utils.getHbasePutByMap(mac, putMap))
})

print("recommendSimilarApp")
println("productFeatures ******")
model.productFeatures.take(1000).map{
  case (appId, features) => {
    val packageNameList = appIdPackageNameListDict.value.get(appId)
    val packageNameListStr = if (packageNameList.isDefined) {
      packageNameList.mkString("(", ",", ")")
    } else {
      "Unknow List"
    }
    (packageNameListStr, features.mkString("(", ",", ")"))
  }
}.foreach(println)
println("productFeatures ******")
model.userFeatures.take(1000).map{
  case (userId, features) => {
    (userId, features.mkString("(", ",", ")"))
  }
}.foreach(println)
val similarAppRdd = recommendSimilarApp(model, topN).flatMap {
  case (appId, similarAppArray) => {
    val groupedAppList = appIdPackageNameListDict.value.get(appId)
    if (groupedAppList.isDefined) {
      val similarPackageList = similarAppArray.map {
        case (destAppId, rating) => (appIdPriorityPackageNameDict.value.getOrElse(destAppId, Constants.PLACEHOLDER), rating)
      }
      groupedAppList.get.map(packageName => {
        (packageName, similarPackageList)
      })
    } else {
      None
    }
  }
}
HbaseWriter.writeRddToHbase(similarAppRdd, "similar_app_top100_recommendation", (x: (String, Array[(String, Double)])) => {
  val packageName = x._1
  val products = x._2.map {
    case (packageName, rating) => packageName + "=" + rating
  }.mkString(",")
  val putMap = Map("apps" -> products)
  (new ImmutableBytesWritable(), Utils.getHbasePutByMap(packageName, putMap))
})  

更新 :
阅读论文后，我发现了一些关于我的数据的新东西(“隐式反馈数据集的协作过滤”)。与论文中描述的 IPTV 数据集相比，我的数据过于稀疏。

Paper: 300,000(users) 17,000(products) 32,000,000(data)
Mine: 300,000(users) 31,000(products) 700,000(data)

所以论文数据集中的用户-项目矩阵已经填充了 0.00627 = (32,000,000/300,000/17,000)。我的数据集的比率是 0.0000033。我认为这意味着我的用户-项目矩阵比论文的稀疏 2000 倍。
这会导致不好的结果吗？以及有什么方法可以改善吗？

Answer 1

您应该尝试两件事:

标准化您的数据，使其每个用户向量的均值和单位方差为零。这是许多机器学习中的常见步骤。它有助于减少异常值的影响，异常值会导致您看到的值接近于零。

删除所有只有一个应用程序的用户。您将从这些用户那里学到的唯一一件事是应用程序分数的“平均”值稍好一些。但是，它们不会帮助您学习任何有意义的关系，而这正是您真正想要的。

从模型中删除用户后，您将无法通过提供用户 ID 直接从模型中获得对该用户的推荐。但是，无论如何，他们只有一个应用程序评级。因此，您可以在产品矩阵上运行 KNN 搜索，以查找与用户应用程序 = 推荐最相似的应用程序。