如何用ALS算法实现用户音乐打分预测-创新互联

如何用ALS算法实现用户音乐打分预测，相信很多没有经验的人对此束手无策，为此本文总结了问题出现的原因和解决方法，通过这篇文章希望你能解决这个问题。

成都创新互联公司长期为近1000家客户提供的网站建设服务，团队从业经验10年，关注不同地域、不同群体，并针对不同对象提供差异化的产品和服务；打造开放共赢平台，与合作伙伴共同营造健康的互联网生态环境。为岑巩企业提供专业的成都网站建设、成都网站制作，岑巩网站改版等技术服务。拥有10多年丰富建站经验和众多成功案例,为您定制开发。

ALS算法介绍

ALS算法是基于模型的推荐算法，基本思想是对稀疏矩阵进行模型分解，评估出缺失项的值，以此来得到一个基本的训练模型。然后依照此模型可以针对新的用户和物品数据进行评估。ALS是采用交替的最小二乘法来算出缺失项的，交替的最小二乘法是在最小二乘法的基础上发展而来的。

从协同过滤的分类来说，ALS算法属于User-Item CF，也叫做混合CF，它同时考虑了User和Item两个方面。

我们通过音乐打分这个案例介绍下交替最小二乘法的原理，首先拿到的原始数据是每个听众对每首歌的评分矩阵A，这个评分可能是非常稀疏的，因为不是每个用户都听过所有的歌，也不是每个用户都会对每首歌评分。

ALS矩阵分解会把矩阵A分解成两个矩阵的相乘，分别是X矩阵和Y矩阵，

矩阵A=矩阵X和矩阵Y的转秩的乘积

x的列表示和Y的横表示可以称之为ALS中的因子，这个因子是有隐含定义的，这里假设有3个因子，分别是性格、教育程度、爱好。A矩阵经过ALS分解出的X、Y矩阵可以分别表示成：

(上图为x矩阵)

(上图为Y矩阵)

数据经过这样的拆解就很容易做用户对音乐的评分预测。比如有听众6，他从没听过“红豆“这首歌，但是我们可以拿到听众6在矩阵分解中X矩阵的向量M，这时候只有把向量M和”红豆“在Y矩阵中的对应向量N相乘，就能预测出听众6对于”红豆“这首歌的评分。

ALS在PAI实验

现在在PAI上面对ALS算法案例进行实验。整体流程只需要包含输入数据源和ALS矩阵分解组件即可。本案例已经集成于PAI-STUDIO首页模板：

创建后如图：

1.数据源

输入数据源包含4个字段

• User:用户ID

• Item：音乐ID

• score：user对item的评分

2.ALS矩阵分解

需要设置3个对应字段，

参数名称	参数描述	取值范围	是否必选，默认值
userColName	user列名	列的类型必须是bigint，可以不连续编号	必选
itemColName	item列名	列的类型必须是bigint，可以不连续编号	必选
rateColName	打分列名	列的类型必须是数值类型	必选
numFactors	因子数	正整数	可选，默认值100
numIter	迭代数	正整数	可选，默认值10
lambda	正则化系数	浮点数	可选，默认值0.1
implicitPref	是否采用隐式偏好模型	布尔型	可选，默认值false
alpha	隐式偏好系数	浮点数，大于0	可选，默认值40

3.结果分析

本案例中会输出2张表，对应ALS算法介绍中说的X矩阵和Y矩阵。

X矩阵表如图：

Y矩阵表如图：

比如要预测user1对音乐item994556636的评分，只要将下方两个向量相乘即可

• User1：[-0.14220297,0.8327106,0.5352268,0.6336995,1.2326205,0.7112976,0.9794858,0.8489773,0.330319,0.7426911]

• item994556636：[0.71699333,0.5847747,0.96564907,0.36637592,0.77271074,0.52454436,0.69028413,0.2341857,0.73444265,0.8352135]

看完上述内容，你们掌握如何用ALS算法实现用户音乐打分预测的方法了吗？如果还想学到更多技能或想了解更多相关内容，欢迎关注创新互联-成都网站建设公司行业资讯频道，感谢各位的阅读！

名称栏目：如何用ALS算法实现用户音乐打分预测-创新互联
网站路径：http://cdxtjz.cn/article/dcosgs.html