我们正在尝试为具有多种商品类型(从快速移动的杂货店到低速移动的电子商品)的超市构建推荐系统。一些物品的购买频率更高,而一些物品只购买一次。
我们拥有来自 100 多个部门的 30K+ SKU 的 25K+ 客户 4 个月的购买历史数据。我们在 Spark 中运行 ALS-WR 来生成建议。令我们惊讶的是,我们收到了针对每个客户的前 15 条建议,这些建议非常笼统,没有太大变化。
我们已经尝试了几种方法来使推荐多样化,如下所示
--计算的“评级”=标准化购买#
-计算的“评级”=购买#的日志
-计算的“评级”=1(如果购买#>1)
-我们有使用以下参数组合 - lambda = 0.01 到 300,alpha = 5 到 50,等级 = 10、20、30 和迭代次数 = 10、20
- 考虑的偏好是明确的。
您认为 ALS 可以用于此类异构数据吗?如果是,哪些修改将使推荐多样化和个性化?