问如何根据多个参数推荐内容(比如电影

EN

引入上下文信息的这个问题可以用几种不同的方式来解决：

• 如果你必须坚持Spark和2D (用户x项目)推荐:那么就去做一个上下文相关的post/pre过滤。因为你已经有了带ALS解算器的MF，你可以通过两种方式使用它作为模型基础推荐，以实现你想要实现的目标：(1/预过滤)在为每个组创建2D MF-ALS推荐之前，根据你的上下文(例如，年龄范围，国家)对你的数据进行分组，或者(2/后过滤)在单个2D用户项目推荐上创建，然后在从模型中获得推荐后，根据上下文信息进行后过滤。在第二个选项中，你不仅可以尝试布尔过滤，还可以根据上下文匹配来提高评分值，例如基于avg(观察者年龄)的boost。
• 将上下文信息直接用于基于模型的推荐器。这不能直接应用于core/MLlib火花矩阵分解方法。这是为2D、用户项操作准备的。但要克服这一点，您可以使用不同的基于模型的方法。我建议使用因子化机器，因为它是一个成功的上下文感知推荐模型，而且非常直观，特别是在数据准备方面。你可以在这里看到我幻灯片中的介绍：Intro to FM slides。有一个用于Apache Spark的包- Spark libFM Package，但不能透露任何关于它的信息-它是真的在工作还是仍然在维护(?)。
• do kNN推荐你在比较user2user的同时介绍你自己的相似性度量。它是一个启发式的基础，在那里你可以提高相似度得分，其中关于两个用户的上下文信息都匹配-例如使用类似于: abs(u1.age - u2.age)/(max(age) - min(age)，u1和u2之间的国家、城市或地区距离。

我还建议阅读推荐系统Handbook6中关于向推荐系统介绍上下文信息的章节。当然还有整本书！

6: Kantor，Paul B.推荐系统手册。艾兹。弗朗西斯科·里奇，利奥尔·罗卡奇和布拉查·夏皮拉。柏林，德国：：施普林格，2015。

我用Apache Spark MLlib做了一个关于电影推荐系统的项目。我得到了codementor的帮助。您可以找到教程here。