Prediction.IO 上的“Universal Recommender”使用的算法是什么？答案

【问题标题】：What is the algorithm used by the "Universal Recommender" on Prediction.IO?Prediction.IO 上的“Universal Recommender”使用的算法是什么？
【发布时间】：2016-03-23 07:26:19
【问题描述】：

下午好

Prediction.IO 上的“Universal Recommender (UR)”使用的名称算法是什么？

在此期间我知道算法 系统推荐是“协同过滤”和“基于内容的过滤”。

谢谢！

【问题讨论】：

标签： algorithm prediction

【解决方案1】：

它使用来自 Apache-mahout 的相关交叉出现 (CCO) 算法。

看看这些 https://actionml.com/blog/cco https://mahout.apache.org/users/algorithms/recommender-overview.html

【讨论】：

【解决方案2】：

Prediction.io 使用 Apache Spark MLLib 的交替最小二乘矩阵分解方法 (ALS)。它是协同过滤的基本方法之一，有基于用户、基于项目和矩阵分解。可以在http://spark.apache.org/docs/latest/mllib-collaborative-filtering.html找到文档

通用推荐器模板使用此算法计算“经常”出现的“事件”，并“购买”一些“物品”。使用因式分解并不是 Universal Recommender 原理的作者在他们最初的想法中所描述的，而是他们使用 LLR 相似性来找到具有统计意义的“事件”。我个人怀疑使用矩阵分解和使用 HBase 的适用性（改用 Redis 集群）。您可以在 https://www.mapr.com/practical-machine-learning 和 http://mahout.apache.org/users/algorithms/recommender-overview.html 阅读有关 Universal Recommender 的总体思路

【讨论】：

这个答案似乎不准确； predict.io 有几个模板，其中一些使用 ALS 矩阵分解方法或根本不使用 ALS 的 UR 模板；相反，它建立在基于相关共现的共现之上，与 ALS 方法相比，这是一种截然不同的操作。 ALS 利用潜在因素，这意味着将稀疏的用户项目矩阵压缩为低秩矩阵，而 UR 利用对数似然比统计数据来查找不同事件对（如查看、交互、购买等）之间的置信度跨度>