我们计划将Mahout用于电影推荐系统。我们也计划 使用SVD进行模型构建。
当有新用户来时，我们会要求他/她为一定数量的电影评分（比如10）。
问题在于，为了向这个新用户提出建议，我们必须再次重建整个模型。
有更好的方法吗？
由于
答案 0 :(得分：9)
是的......虽然不在Mahout。这些实现本质上是围绕定期重新加载和重建数据模型而构建的。在某些实现中，这仍然允许您即时使用新数据，如基于邻域的实现。我不认为基于SVD的内存中的人会这样做（我没有写它。）
理论上，您可以通过折叠将目标项目/电影投影回用户功能空间，从第一次点击或评级开始提出建议。为了大大简化 - 如果输入A的rank-k近似因子分解为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是微不足道的。 （Vk'）^ - 1 = Vk因为它具有正交列。 （Sk）^ - 1只是取Sk的对角元素的倒数。
所以Uk_u = Ak_u *（Vk'）^ - 1 *（Sk）^ - 1。你没有Ak_u，但是你的A_u大致相同，所以你使用它。
如果您喜欢Mahout，并且喜欢矩阵分解，我建议您考虑使用ALS算法。这是一个更简单的过程，所以速度更快（但让折叠变得更加困难 - 看到a recent explanation I gave的结尾）。它很适合推荐。
这也存在于Mahout中，虽然没有实现折叠。 Myrrix，这是我继续从Mahout工作的地方，实现了所有这些。