1、基于内容的过滤：利用物品的内容或是属性信息以及某些相似度定义，求出与该物品类似的物品

2、协同过滤：利用大量已有的用户偏好来估计用户对其未接触过的物品的喜好程度

3、矩阵分解（包括显示矩阵分解、隐式矩阵分解和最小二乘法）

1、数据准备：获取训练模型所需的数据，比如收集用户历史以来的购买记录和浏览记录

2、数据清理：大部分机器学习模型所处理的都是特征，但通常上述获取的数据都是原始形式，需要进一步处理。比如数据过滤、处理异常值、合并数据源、数据汇总等。本例重点放在评分计算规则上

3、数据转化：对数据中的某些特征进行标准化（StandardScaler）、归一化（MinMaxScaler）、正则化（Normalizer）的缩放转化

4、模型训练和测试回路：当数据已转化模型可识别的形式，就可以开始模型的训练和测试。把数据划分为两部分，一部分是训练数据，用于构建模型，另一部分是测试数据，用于检验模型

5、模型评估：在训练数据集上运行模型并在测试集上测试其效果，进行交叉验证，评估其推荐效果

6、模型优化：这部分关注对特定模型最佳参数的选择问题，通常情况下，我们会尝试调整算法中的超参数，通过多次迭代训练模型，选择最优的结果

1,1330,1,1,穷神（用户ID,商品ID,购买数量排序,购买数量,商品名称）-->Rating(1,1330,0.05)(用户ID,商品ID,评分)

bin/spark-submit --class com.boyaa.spark.rel.GiftRecommend --master spark://dn11:7077 --num-executors 24 --executor-cores 24 --driver-memory 4g --executor-memory 4g --jars /data/mf/lib/fastjson-1.2.14.jar sparkml.jar file:/data/soft/new/spark/20150615-20160912.csv 0 25 25 0.01 -1 0

选取评估结果中均方根误差最小并且决定系数最高的超参数组合：

1、rank，模型的潜在因素个数，也是矩阵的阶

2、iterations，矩阵分解迭代次数，迭代次数越多，花费时间越长，但分解的结果可能会更好

3、lambda，标准的过拟合参数，值越大越不容易产生过拟合，但值太大会降低分解的准确性

4、blocks，决定并发分解计算的程度

5、seed，随机种子

original为用户历史购买的商品ID，actual为用户实际需要购买的商品ID，recommend为推荐的商品列表

{"original":[1699,1325,1314,221,1328,628,1329,1331,1324],"actual":1330,"recommend":[695,2104,1324,1330,428],"user":1}