如何根据多个参数推荐内容（比如电影）

Question

我是Spark ML的新手。我想向使用Apache Spark ML的用户推荐电影。我了解到here我们可以根据用户的评分来推荐电影。

我的问题是我们是否可以包含推荐的其他功能，比如他的年龄，国家，电影类型，喜欢等。 例如，我们有用户'U1'，'U2'，'U3'和'U4'，他们都在观看电影'M'。住在美国的22岁的U1也观看了生活在澳大利亚的电影M1，M2和M3以及50岁的U2观看了电影M1，M4和M5。 现在，我想推荐一位居于美国电影M1，M2和M3的24岁的U3。同时推荐生活在澳大利亚的电影M1，M4和M5至21岁的U4。

基本上，我想为年龄和国家提供一些权重。 我们怎样才能用Spark ml（比如使用ALS）实现这个目标？

Answer 1

引入上下文信息的这个问题可以通过几种不同的方式解决：

• 如果您必须坚持Spark和2D（用户x项目）推荐者：那么请进行上下文后期/预过滤。由于您已经在那里使用了具有ALS解算器的MF，您可以通过两种方式将其用作模型基础推荐器，以实现您想要实现的目标：（1 /预过滤）按您的上下文对数据进行分组（例如年龄范围，国家/地区）在为每个组创建2D MF-ALS推荐器或（2 /后过滤）创建单个2D用户项目推荐器之前，然后在从模型获得推荐后，根据您的上下文信息进行后过滤。在第二个选项中，您不仅可以尝试布尔过滤，还可以尝试根据上下文匹配来提升分数值，例如：根据平均值（观察者的年龄）提升。
• 将上下文信息直接用于基于模型的推荐器。这个不能直接应用core / MLlib Spark矩阵分解方法。这个准备用于2D用户项操作。但要克服这一点，您可以使用不同的基于模型的方法。我建议使用分解机器，因为它是上下文感知建议的成功模型，它非常直观，特别是在数据准备方面。您可以在此处查看我的幻灯片中的介绍：Intro to FM slides。 Apache Spark有一个软件包 - Spark libFM Package，但对它没有任何说明 - 它是否真的有效或仍在维护（？）。但肯定可以建议主libfm.org，python - fastFM和非常相似的+快速实施lightfm from Lyst，这对你的问题很有帮助。
• 执行kNN推荐程序，在比较user2user时引入自己的相似性度量。它是启发式基础，您可以在其中提升相似性得分，其中关于两个用户的上下文信息匹配 - 例如使用类似：abs（u1.age - u2.age）/（最大（年龄） - 最小（年龄），国家，城市或地区距离u1和u2。

我还建议阅读推荐系统手册[6]中关于向推荐系统引入上下文信息的章节。当然还有整本书！

[6]：Kantor，Paul B.推荐系统手册。编辑。 Francesco Ricci，Lior Rokach和Bracha Shapira。柏林，德国::施普林格，2015年。

Answer 2

我使用Apache Spark MLlib制作了一个关于电影推荐系统的项目。我得到了编码员的帮助。您可以找到教程here。