我想尝试使用本教程中解释的MLlib使用Spark进行协作过滤:https://databricks-training . S3 . amazonaws . com/movie-recommendation-with-ml lib . html该算法基于论文“隐式反馈数据集的协作过滤”，进行矩阵分解。

一切都使用1000万个Movielens数据集启动并运行。数据集分为80%训练10%测试和10%验证。

• RMSE 基线：1.060505464225402
• RMSE（火车）= 0.7697248827452756
• RMSE（验证）= 0.8057135933012889，对于秩 = 24、lambda = 0.1 和迭代 = 10 训练的模型。
• 最佳模型将基线提高了 23.94%。

这些值与教程相似，但具有不同的训练参数。

我试着运行了几次算法，总是得到对我没有任何意义的建议。即使只对儿童电影进行评级，我也会得到以下结果:

对于评级:

< li >个人评分:玩具总动员(1995)评分:4.0 < li >个人评分:丛林之书(1994年)评分:5.0 <李>个人评分:狮子王(1994年)评分:5.0 < li >个人评分:玛丽·波平斯(1964)评分:4.0 < li >个人评分:爱丽丝梦游仙境(1951)评分:5.0

结果：

推荐给你的电影:

1. 大春的生活，该（赛卡库ichidai onna）（1952）
2. 更多（1998）
3. 谁在那边唱歌？（又名谁在那边唱歌）（Ko to Tamo peva）（1980）
4. 星期日和赛贝利（Dimanch de Ville d'Avray， Les）（1962）
5. 蓝光，The（Das Blaue Licht）（1932）
6. 《哈维·米尔克时报》（1984）
7. 请投我一票（2007）
8. 人谁种树，（Homme qui plantait des arbres， L'）（1987）
9. 肖申克的救赎（1994）
10. 只有昨天（Omo的poro poro）（1991）

除了《只有昨天》似乎没有任何意义。

如果有谁知道如何解释这些结果或得到更好的结果，我真的很感谢你分享你的知识。

致敬

编辑:

根据建议，我训练了另一个具有更多因素的模型：

• 基线错误：1.0587417035872992
• RMSE（火车）=0.7679883378412548
• RMSE（验证）=0。8070339258049574对于排名=100、lambda=0.1和NumIter=10的模型进行训练。

和不同的个人评级：

• 个人评分：《星球大战：第六集-绝地归来》（1983）评分：5.0
• 个人评分：任务：不可能（1996）评分：4.0
• 个人评分：《死磕：复仇》（1995）评分：4.0
• 个人评分：《永远的蝙蝠侠》（1995）评分：5.0
• 个人评分：《黑衣人》（1997）评分：4.0
• 个人评分：《终结者2：审判日》（1991）评分：4.0
• 个人评分：Top Gun（1986）评分：4.0
• 个人评分：《星球大战：第五集-帝国反击战》（1980）评分：3.0
• 个人评分：外星人（1979）评分：4.0

推荐的电影有：

推荐给你的电影:

1. 卡门 （1983）
2. 寂静的光 （2007）
3. 耶稣 （1979）
4. 大春的一生（西岳一代恩纳）（1952）
5. 美国之心 （2003）
6. 因为圣经告诉我 （2007）
7. 更多 （1998）
8. Legend of Leigh Bowery， The （2002）
9. 葬礼，（大敷） （1984）
10. 长镜头 （2008）

没有一个有用的结果。

编辑2：使用隐式反馈方法，我得到了更好的结果！对于与上述相同的动作片，建议如下：

推荐给你的电影:

<李>星球大战:第四集-新的希望(又名星球大战)(1977) <李>终结者(1984) <李>夺宝奇兵(印第安纳琼斯和夺宝奇兵)(1981) 《虎胆龙威》(1988年) 《教父》(1972) <李>外星人(1986) <李>石著(1996) < li >独立日(又名ID4) (1996年) < li >星际迷航II:可汗之怒(1982) 《黄金眼》( 1995年)

这正是我所期望的！问题是为什么露骨的版本如此糟糕