概述
协同过滤是一种常用于推荐系统的算法，它的基本思想是根据用户对物品的偏好（如评分、购买历史等）来发现用户之间的相似性，并基于这些相似性来推荐物品。协同过滤可以分为两类：用户协同过滤和物品协同过滤。在Spark ALS中，算法首先假设用户的兴趣受少数因素的影响，因此可以将用户-物品矩阵分解为用户的特征向量矩阵和物品的特征向量矩阵。这两个矩阵的乘积可以近似地重构原始的用户-物品评分矩阵，从而预测缺失的评分。Spark ALS可以广泛应用于各种推荐场景，如电商推荐（根据用户历史购买行为推荐商品）、视频/音乐流媒体推荐（根据用户播放记录推荐内容）、新闻/社交媒体推荐（结合用户浏览习惯推送定制化内容）等。
场景示例
以电影推荐为例，如下图：
示例数据如下：
| View file | ||||
|---|---|---|---|---|
|
示例资源：
| View file | ||||
|---|---|---|---|---|
|
