Я пытаюсь использовать Spark MLib ALS с неявной обратной связью для совместной фильтрации. Входные данные имеют только два поля userId
и productId
. У меня нет рейтингов продуктов, просто информация о том, какие продукты пользователи купили, что все. Поэтому для обучения ALS я использую:
def trainImplicit(ratings: RDD[Rating], rank: Int, iterations: Int): MatrixFactorizationModel
(http://spark.apache.org/docs/1.0.0/api/scala/index.html#org.apache.spark.mllib.recommendation.ALS $)
Для этого API требуется объект Rating
:
Rating(user: Int, product: Int, rating: Double)
С другой стороны, документация на trainImplicit
говорит: Обучить матричную модель факторизации, учитывая RDD рейтингов "неявных предпочтений", заданных пользователями для некоторых продуктов, в виде (userID, productID, предпочтения).
Когда я установил рейтинг/предпочтения 1
, как в:
val ratings = sc.textFile(new File(dir, file).toString).map { line =>
val fields = line.split(",")
// format: (randomNumber, Rating(userId, productId, rating))
(rnd.nextInt(100), Rating(fields(0).toInt, fields(1).toInt, 1.0))
}
val training = ratings.filter(x => x._1 < 60)
.values
.repartition(numPartitions)
.cache()
val validation = ratings.filter(x => x._1 >= 60 && x._1 < 80)
.values
.repartition(numPartitions)
.cache()
val test = ratings.filter(x => x._1 >= 80).values.cache()
И затем поездом ALSL:
val model = ALS.trainImplicit(ratings, rank, numIter)
Я получаю RMSE 0.9, что является большой ошибкой в случае предпочтений, принимающих значение 0 или 1:
val validationRmse = computeRmse(model, validation, numValidation)
/** Compute RMSE (Root Mean Squared Error). */
def computeRmse(model: MatrixFactorizationModel, data: RDD[Rating], n: Long): Double = {
val predictions: RDD[Rating] = model.predict(data.map(x => (x.user, x.product)))
val predictionsAndRatings = predictions.map(x => ((x.user, x.product), x.rating))
.join(data.map(x => ((x.user, x.product), x.rating)))
.values
math.sqrt(predictionsAndRatings.map(x => (x._1 - x._2) * (x._1 - x._2)).reduce(_ + _) / n)
}
Итак, мой вопрос: к какому значению я должен установить Rating
в:
Rating(user: Int, product: Int, rating: Double)
для неявного обучения (в методе ALS.trainImplicit
)?
Обновление
С
val alpha = 40
val lambda = 0.01
Я получаю:
Got 1895593 ratings from 17471 users on 462685 products.
Training: 1136079, validation: 380495, test: 379019
RMSE (validation) = 0.7537217888106758 for the model trained with rank = 8 and numIter = 10.
RMSE (validation) = 0.7489005441881798 for the model trained with rank = 8 and numIter = 20.
RMSE (validation) = 0.7387672873747732 for the model trained with rank = 12 and numIter = 10.
RMSE (validation) = 0.7310003522283959 for the model trained with rank = 12 and numIter = 20.
The best model was trained with rank = 12, and numIter = 20, and its RMSE on the test set is 0.7302343904091481.
baselineRmse: 0.0 testRmse: 0.7302343904091481
The best model improves the baseline by -Infinity%.
Это все еще большая ошибка, я думаю. Также я получаю странное улучшение базовой линии, когда базовая модель просто означает (1).