个性推荐算法的Spark和Tensorflow实现对比

个性推荐算法说的不少了，经常使用的模型是：

U*V= Q

其中Q是评分表，通常共3列：用户id，物品id，评分值

U是用户特征表，V是物品特征表。

算法的最终目标就是从Q算出U和V。那么Spark Mllib里有ALS算法能够作矩阵分解，其基本原理是最小交叉二乘法，用到了Breeze库的矩阵函数库。所谓交叉二乘就是轮流固定U或V，来算出V或U。好比第一轮固定U，来算出V，第二轮固定算出的V，来算出U。直到最后偏差收敛。

Spark里主要是用RDD框架来对数据分块计算，达到并行的特色。

而Tensorflow里用深度学习的方法来实现矩阵分解就更简便了，其基本原理是根据U*V和Q的差值来自动优化，深度学习的特色就是只要你搭建好了学习模型，那么只要自动训练就能够找到最优解，所以实现起来也很方便。

TensorFlow的代码能够参考：

https://blog.csdn.net/m0_38045485/article/details/81174728