我正在使用Apache Spark（Pyspark API for Python）ALS MLLIB开发一项服务，为我站点中的匿名用户（不在训练集中的用户）执行实时推荐。 在我的用例中，我以这种方式在用户评级上训练模型：
from pyspark.mllib.recommendation import ALS, MatrixFactorizationModel, Rating
ratings = df.map(lambda l: Rating(int(l[0]), int(l[1]), float(l[2])))
rank = 10
numIterations = 10
model = ALS.trainImplicit(ratings, rank, numIterations)
现在，每当匿名用户选择目录中的某个项目时，我想在ALS模型中折叠其向量并获取建议（就像 recommendedProducts（）调用），但避免重新训练整个模型。
在Apache Spark中训练ALS模型后，有没有办法轻松完成新的匿名用户向量的折叠？
提前致谢
答案 0 :(得分：0)
我见过广告的一些开源“模型服务器”解决方案，但没有实际操作经验。我也听说过商业广告，但现在不能只记住这个名字 因此，请提出自己的意见，并密切留意可能的替代方案。
PredictionIO （初创公司已被SalesForce吞噬，但他们的解决方案仍然可用）使用Spark + Hadoop + HBase堆栈，以及某种Web服务器组件。< / p>
MLeap还是另一个ML-library-with-limited-feature-set，可以插入Spark / Scikit-Learn /中，可以产生一个Web服务 - 或者导出你的模型到名为Combust.ml的托管解决方案
MLDB是另一个ML-library-limited-features-feature-set，完全在Python / Spark生态系统之外，但声称与TensorFlow完全集成 - 包括{{3}的能力}。