SparkALS算法基本思想
ALS算法是基於模型的推薦算法。起基本思想是對稀疏矩陣進行模型分解，評估出缺失項的值，以此來得到一個基本的訓練模型。然後依照此模型可以針對新的用戶和物品數據進行評估。ALS是採用交替的最小二乘法來算出缺失項的。交替的最小二乘法是在最小二乘法的基礎上發展而來的。由於本人數學有限，就大體的介紹下最小二乘法的思想
最小二乘法
以下是用戶A、B、C對物品A、B、C的打分
| 用戶\物品 | 物品A(id=1) | 物品B(id=7)) | 物品C(id=9) |
|---|---|---|---|
| 用戶A(id=4) | 5 | ? | 4 |
| 用戶B(id=2) | ? | ? | 3 |
| 用戶C(id=3) | 1 | 3 | 5 |
上圖的矩陣可以按照(用戶id,物品id)=評分的方式，在一個X/Y軸的一個點，只不過這些點有的有具體的值，有的沒有，那麼我們可以根據已經有值的點計算出一個函數F，使得這個函數F的曲線近似的穿插這些點，並使這些點的真值(表中的評分)與函數F測算值的方差之和最小（可以認爲方差之和爲0）。這樣就可以獲得一個方差函數FF，針對方差函數FF求偏導，就可以計算出函數F。
描述的不太清楚，可以參見博客http://blog.csdn.net/yauphy1/article/details/43735763