這篇文章主要介紹spark mllib中如何實現(xiàn)基于ALS計算，文中介紹的非常詳細(xì)，具有一定的參考價值，感興趣的小伙伴們一定要看完！

創(chuàng)新互聯(lián)公司專業(yè)為企業(yè)提供潞州網(wǎng)站建設(shè)、潞州做網(wǎng)站、潞州網(wǎng)站設(shè)計、潞州網(wǎng)站制作等企業(yè)網(wǎng)站建設(shè)、網(wǎng)頁設(shè)計與制作、潞州企業(yè)網(wǎng)站模板建站服務(wù)，10年潞州做網(wǎng)站經(jīng)驗，不只是建網(wǎng)站，更提供有價值的思路和整體網(wǎng)絡(luò)服務(wù)。

運(yùn)行代碼如下

/**
  *  協(xié)同過濾算法，基于 (交替最小二乘法) ALS 計算
  *  人以群分，物以類聚,
  *  ALS是統(tǒng)計分析中最常用的一種逼近計算算法．
  *  輸入數(shù)據(jù)集 Ratings 是　ALS 固定輸入格式,
  *  Ratings [Int, Int, Double] 即[用戶名，物品名，評分]
  */
package spark.collaborativeFiltering

import org.apache.spark.mllib.recommendation.{ALS, Rating}
import org.apache.spark.{SparkConf, SparkContext}

object sparkALS {
  def main(args: Array[String]) {
    val conf = new SparkConf().setAppName("ALS").setMaster("local")
    val sc= new SparkContext(conf)
    val data = sc.textFile("./src/main/spark/collaborativeFiltering/ul.txt")
    val ratings = data.map(_.split(" ") match {
      case Array(user, item, rate) =>
        Rating(user.toInt, item.toInt, rate.toDouble)//將數(shù)據(jù)集轉(zhuǎn)化為專用的 Rating
    })

    val rank = 2 // 模型中隱藏因子數(shù)
    val numInterations = 5 //算法迭代次數(shù)
    val model = ALS.train(ratings, rank, numInterations, 0.01) // 進(jìn)行模型訓(xùn)練
    val result = model.recommendProducts(2, 1)//為用戶 2 推薦一個商品
    result.foreach(println)
//Rating(2,15,3.9713808775549495)，為用戶 2 推薦一個編號 15 的商品，預(yù)測評分 3.97 與實際的 4 接近．
  }
}

ul.txt

1 11 2
1 12 3
1 13 1
1 14 0
1 15 1
2 11 1
2 12 2
2 13 2
2 14 1
2 15 4
3 11 2
3 12 3
3 13 1
3 14 0
3 15 1
4 11 1
4 12 2
4 13 2
4 14 1
4 15 4
5 11 1
5 12 2
5 13 2
5 14 1
5 15 4

結(jié)果如圖

以上是“spark mllib中如何實現(xiàn)基于ALS計算”這篇文章的所有內(nèi)容，感謝各位的閱讀！希望分享的內(nèi)容對大家有幫助，更多相關(guān)知識，歡迎關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道！