Ich baue ein einfaches Empfehlungssystem für die MovieLens DB, inspiriert vonhttps: //databricks-training.s3.amazonaws.com/movie-recom,mendation-with-mllib.htm.

Ich habe auch Probleme mit explizitem Training wie hier:Apache Spark ALS Ergebnisse der kollaborativen Filterung. Sie machen keinen Sinn Die Verwendung von implizitem Training (sowohl für explizite als auch für implizite Daten) führt zu vernünftigen Ergebnissen, nicht jedoch für explizites Training.

Während dies für mich in Ordnung ist, bin ich gespannt, wie ich ein Modell aktualisieren kann. Während meine aktuelle Lösung wie @ funktionie

having all user ratingsodell generierget Empfehlungen für Benutzer

Ich möchte einen Flow wie diesen haben:

having eine Basis von Bewertungen Modell einmal generieren (optional speichern & laden)erhalte einige Bewertungen von einem Benutzer für 10 zufällige Filme (nicht im Modell!)get Empfehlungen mit dem Modell und den neuen Benutzerbewertungen

Daher muss ich mein Modell aktualisieren, ohne es komplett neu zu berechnen. Gibt es eine Chance dazu?

Während der erste Weg gut für die Stapelverarbeitung ist (wie das Generieren von Empfehlungen in nächtlichen Stapeln), ist der zweite Weg gut für das nahezu live Generieren von Empfehlungen.