使用spark運(yùn)行協(xié)同過濾算法？

對于隱式反饋而言，用戶對于item沒有顯式的評分?jǐn)?shù)據(jù)，這種情況下對考慮rating值得時候應(yīng)該需要結(jié)合具體的業(yè)務(wù)場景對應(yīng)的數(shù)據(jù)去設(shè)計。

例如：

短視頻推薦

(1) 根據(jù)不同用戶行為設(shè)置rating值

對于短視頻推薦中，可以根據(jù)用戶的觀看、點贊、分享等不同行為設(shè)置不同的rating值。這樣設(shè)置rating值得缺陷在于，用戶點贊和分享的行為數(shù)據(jù)非常稀疏，無法單一使用，結(jié)合觀看、點贊、分享行為數(shù)據(jù)綜合考慮用戶對item的rating值需要考慮不同行為對rating值得權(quán)重影響。

(2) 根據(jù)同一行為的不同特征設(shè)置rating值。

同一行為可以考慮用戶行為具有的不同特征值來設(shè)置用戶對物品的rating值，例如視頻的觀看時長、觀看完成度、如果考慮時間衰減因素的話可以結(jié)合觀看時間距離當(dāng)前的時間差等因素綜合考慮設(shè)置item的rating值。

當(dāng)然，不同的推薦系統(tǒng)中根據(jù)具體業(yè)務(wù)有不同的設(shè)置方式，例如電商推薦的可能考慮物品的價格，新聞資訊的推薦可以能考慮篇幅長度等等上面所說的只是一個參考。