我正在为1000万用户构建基于项目的推荐系统 率类别超过20种可能的类别（新闻类别，如政治， 运动等...） 我想为他们每个人推荐至少另一个 他们不知道的类别（没有评级）。
我运行了GenericUserBasedRecommender并要求提供建议 每个用户，但它看起来非常长：每分钟可能有1000个用户。 我的问题是：
1-我可以在hadoop上运行相同的GenericUserBasedRecommender吗？ 真的更快？我看到并运行了一个带有命令行的ItemBasedRecommender 集群，但我宁愿运行基于用户的集群。
1,5 - 我看到很多用户没有一个建议。确定用户是否获得推荐的算法标准是什么？我认为可能是那些没有得到推荐的用户只能给出一个评分，但我不明白为什么。
2-还有另一种更聪明的方法可以解决我的问题吗？也许是一些聚类 解决方案而不是推荐？我不确切地知道如何。
3-最后，当我说那些没有命令行的算法时，我是对的 是不是与hadoop一起使用？
感谢您的回答。
答案 0 :(得分：0)
有时您不会获得某些项目或用户的推荐，因为它们重叠的项目很少。它也可能是用户数据可能“足够”的情况，但他的行为/使用模式非常独特和/或与数据中的流行趋势不一致。
您可以尝试LogLikelihood或Tanimoto基于ItemSimilarity。
您可以研究的另一件事是基于矩阵分解的模型。您可以使用ALSWR Factorizer生成建议。该方法将原始用户项矩阵分解为用户特征，项目特征和对角矩阵， - ＆gt;然后降低维度 - >然后重新构建最接近具有相同等级的原始矩阵的矩阵。您可能会丢失此方法的某些数据，但用户项矩阵中的缺失值会被估算，您可以获得估计偏好/推荐值。
如果您拥有这些功能而不仅仅是隐式评级，那么您可以尝试使用聚类技术，也许可以从分层聚类开始。
我没有得到你的最后一个问题。