추천 시스템 - ALS(Alternating Least Squares) 알고리즘

(개념) 행렬 분해(Matrix Factorization) 기법 중 하나로 사용자와 아이템의 잠재 요인(Latent Factor)을 추정하여 개인화된 추천을 제공하는 알고리즘

 

(동작방식) 사용자-아이템 상호작용 행렬을 두 개의 저차원 잠재 요인 행렬로 분해하며, 교대로 각 행렬을 고정하고 다른 행렬을 최적화하는 방식을 반복하여 손실 함수를 최소화함

 

(특징)

- 대규모 데이터셋에서 효율적으로 작동

- 행렬 분해 과정에서 발생할 수 있는 결측값을 효과적으로 처리

- 병렬 처리가 가능하여 대용량 데이터에 대한 확장성이 뛰어남

 

 

 

Python에서 PySpark를 사용한 ALS 구현:

from pyspark.ml.recommendation import ALS from pyspark.sql import SparkSession # Spark 세션 생성 spark = SparkSession.builder.appName("ALS Example").getOrCreate() # 데이터 준비 data = [     (0, 0, 4.0),     (0, 1, 2.0),     (1, 1, 3.0),     (1, 2, 4.0),     (2, 1, 1.0), ] columns = ["user", "item", "rating"] df = spark.createDataFrame(data, columns) # ALS 모델 생성 및 학습 als = ALS(     maxIter=10,     regParam=0.1,     userCol="user",     itemCol="item",     ratingCol="rating",     coldStartStrategy="drop", ) model = als.fit(df) # 추천 예측 recommendations = model.recommendForAllUsers(3) recommendations.show()

 

 

 

https://spark.apache.org/docs/latest/ml-collaborative-filtering.html

Collaborative Filtering - Spark 3.5.3 Documentation

https://ds-ai96.github.io/2022/03/10/RS-Paper-No2.html

눈문 리뷰 - MF (Matrix Factorization) - Dasein's Archive