對於相同喜好的使用者，電商高手用Spark MLlib程式碼如何操作？

日前，小編接觸了一個概念——協同過濾。相信很朋友也是第一次聽說，上網在某度搜一下，結果發現這個演算法居然是很成熟的。


“協同過濾簡單來說是利用某興趣相投、擁有共同經驗之群體的喜好來推薦使用者感興趣的資訊，個人通過合作的機制給予資訊相當程度的回應（如評分）並記錄下來以達到過濾的目的進而幫助別人篩選資訊，回應不一定侷限於特別感興趣的，特別不感興趣資訊的紀錄也相當重要。”


通過學習，小編了解到：在協同過濾中，有兩種主流方法：基於使用者的協同過濾，和基於物品的協同過濾。


基於使用者的 CF 的基本思想相當簡單，基於使用者對物品的偏好找到相鄰鄰居使用者，然後將鄰居使用者喜歡的推薦給當前使用者。

基於物品的 CF 的原理和基於使用者的 CF 類似，只是在計算鄰居時採用物品本身，而不是從使用者的角度，即基於使用者對物品的偏好找到相似的物品，然後根據使用者的歷史偏好，推薦相似的物品給他。


通過海量資料找到興趣相同的使用者確實是比較容易實現的！但這都是對於老使用者而言的。


問題是對於新使用者如何通過協同過濾演算法解決呢？演算法用Spark MLlib程式碼如何操作呢？


中科院計算所培訓中心將於11月6日晚8點，舉辦《機器學習實戰：揭開利用Spark MLlib進行個性推薦的奧祕！》歡迎報名學習！（具體詳情請到官網瞭解）