音乐智能推荐 ALS算法
音乐推荐分析
特征的产生：
能让用户产生兴趣的行为，可能包括有：试听音乐、收藏音乐、收藏专辑|歌单、搜索、关注歌手|用户、下载歌曲、分享（比较少）
权重产生：
-
按照用户操作成本
下载+播放 > 喜欢+播放 > 搜索+播放 > 播放 > 下载 > 喜欢
-
权重分析之播放次数加权
因为音乐播放时一个偏好动作，你可能对喜欢的音乐进行重复播放，一次播放和两次三次或者说十次播放，能反应出你对该歌曲的偏好程度不同，假设一次播放我们给与的权重为a，那么重复n次播放，我们赋予权重为a+0.01*n （0.01可相对调整）（如何确定有效播放次数？暂未考虑）
推荐内容：
-
歌曲推荐：推荐的结果应该为uid：array（（mid，score））
-
歌单推荐：推荐的结果应该为uid：array（（mid，score））
推荐之冷启动：
冷启动：
- 由于新用户没有历史记录，没有数据就不能很好的推荐给用户相关的音乐
- 由于新发布发音乐没有人听过，所有用户对于该音乐的分数相当于0，无法推送
解决方案：
- 最简单的方法就是推荐热度音乐（排行榜）
- 根据用来入口来源，比如说微博，qq，爬取用户动态信息，对用户进行分类，（该方法在后期，根据用户心情推荐有奇效，比如，用户在微博或者qq发表一条动态 ，或者今天发表的动态，对内容进行情感分析，推荐相关音乐或者相反类型音乐）
- 根据手机号码读取手机联系人，匹配相关好友，推荐年龄相符活跃度高的好友歌单或者歌曲
- 4.26更新 经过思考，冷启动 在某种程度上可以用相似度来推荐，比如该用户是首次访问，更具他填写的一些基本信息，更具用户相似度矩阵，计算与该用户的相似度领域，然后意见相关音乐，音乐也是如此，可否实现？（暂为实现）
Spark 2.2.0ml包和mllib包
既然说到2.2.0 不得不说 org.apache.spark.ml org.apache.spark.mllib 这两个包的区别
- 官网里面说 在spark3.x 以后可能会废除mllib
- 在spark2.x以后，mllib不更新 只负责修复bug
- 在ml中 机器学习的对象为dataframe 而ml中为rdd对象
基于Spark2.2.0解决冷启动方案
除上述方案在业务逻辑上可以解决冷启动，在代码层面上 saprk2.2.0 对算法进行了优化
在模型对象model 中有一个方法 setColdStartStrategy（） 查找源码可以发现 此方法有两个值 有个为nan 另一个为drop，可以看到nan为默认值，
nan参数 是指在模型处理参数是 如果遇到未知的参数 即未出现的userid moiveid （即冷启动）时 ，他推荐的结果为nan，个人觉得这种方式可以用在实时推荐中
drop参数 是指在交叉验证中 处理不了nan值 会删除nan值和任意的行 然后在对剩下的数据进行推荐（离线推荐的时候更管用？看需求，是否需要甄别新用户）
Spark 智能推荐之显隐性特征处理
一般对数据分析过程中，或多或少都具有隐性特征，而我们一般是对数据的显性特征进行转化为分数，隐性特质某些程度上是没有考虑到，
在spark2.2.0中 new ALS对象是 参数setImplicitPrefs(true) 该方法默认为false fasle 为创建显性模型，不考虑隐性因素，但是此方法还可以传入true，传入true为考 虑隐性因素的模型，在隐性因素就多或者占比重较大时，可以创建隐性模型，如果集群性能比较好，建议创建隐性模型，在创建隐性模型后，参数对比显性模型应该相对调整，要不然均方根误差比显性模型的大，以至于没有显性模型准确
Spark 智能推荐之误差分析（暂时写不了）
在Spark 机器学习中 常见的四种误差分析方式：均方根误差（RMSE），均方误差(MSE)，拟合优度检验(R2)，平均绝对误差(MAE)
RMSE：均方根误差，数学表达式为，n组数据a1…an，取预测值为b1…bn 计算对应的预测值与真实值之间的差值取其平方，累加求和，取平均值 对结果进行开方
意义 ：rmse 主要代表 一组数据 预测值和真实值的差异 代表预测数据偏离真实数据的程度
r m s e = ( （ b 1 − a 1 ） 2 + . . . . . + （ b n − a n ） 2 ) / n rmse= \sqrt{(（b_1-a_1）^2+.....+（b_n-a_n）^2)/n} rmse=(（b1−a1）2+.....+（bn−an）2)/n
MSE： 均方误差，数学表达式为，n组数据a1…an，取预测值为b1…bn 计算对应的预测值与真实值之间的差值取其平方，累加求和，取平均值
意义：MSE 越小 说明预测值与真实值有更好的精确度 说明预测值与一组数据之间的关系
m s e = ( （ b 1 − a 1 ） 2 + . . . . . + （ b n − a n ） 2 ) / n mse={(（b_1-a_1）^2+.....+（b_n-a_n）^2)/n} mse=(（b1−a1）2+.....+（bn−an）2)/n
推荐之’越推越窄’
Q：由于大多数推荐算法，根据用户的历史行为，会导致推荐的结果越来越窄，越来越单一化，重复化，其实用户听音乐更多是根据用户心情来的，或者根据音乐、歌手的热度来的（比如时下抖音流行音乐？时下流行的歌手？），如何多风格（口味）的推荐用户的音乐？
-
不成熟想法之一：推荐歌曲不在多而在精，根据算法预测出用户的推荐结构，大多数是按照分数进行排序，某种程度上，可以排序完了取出前n个，然后对前n个进行排列组合，不按照分数排序进行推送
-
在对用户推荐的前n个歌曲中，去掉x个分数排名的的，加入其它风格或者类型的歌曲，进行推荐
-
在时下热度时，用户对某个歌手很是关注或者偏爱，或者很多人对此歌手偏爱，即热度排行前三的歌曲的歌手，某种程度上可以推荐该歌手的其他不出名的歌曲
推荐之时间因素（根据业务来定的）
某种程度上来说，时间因素很重要，他可以分析出用户听音乐的时间段，什么时候听，是否在最后推荐的结果中加入时间因素？或者对用户听过的音乐进行时间维度分类，对组和好的推荐的结果进行过滤？（此种方法靠谱！）
4.26 更新： 最近了解了一下决策树，突然有个新的思路 是否可以结合决策树+协同过滤 对车载音乐进行混合推荐，因为公司业务为 特定的时间+特定的场合 推荐不同的音乐，在决策树中，可以在一级分类为时间，二级分类为地点，三级分类…，该套方案可为后期发展方案，某种程度上肯定比只有协调过滤准确
音乐推荐之采集音乐时长分析
在音乐数据采集中，用户收听或者播放的这首歌曲的真实时长x，其实是很重要的，某种程度能强烈反应出用户对该首音乐的喜好程度（通常如果不喜欢该音乐 很快就会跳过，而如果偏爱的话，就会听完大部分或者所有的时长），取音乐真实时长x/音乐时长s得到的百分比r，r可以反映出，用户本次对该首音乐的情况，但是，在数据清洗时，如何判断x的有效性？
1.通常的做法是， 取x与s相比较，0<=x<=s,这种事最常见的处理方式，如果没有采集到x，即将x当0处理
2.但是通常还有其他情况，比如，会有用户在听音乐的时候，遇到高潮部分，会将进度条拉回去（将音乐倒退），此时重复收听高潮部分，导致采集到x>s，此时如何判断x的有效性？
3.是否还存在其他采集情况？
用户行为数据采集方案
在大数据行业，建议所有的一手数据，都应该有大数据部门人员一手采集，切不可拿二手数据来分析，所有数据指标，只能有大数据部门 人员计算而来，前端采集的数据都要通过清洗规则，然后才能入库，不可胡乱入库，切不可直接引用前端采集的数据，一但开始后期数据 出现问题，涉及整个数据方案的修改！
推荐算法之欧几里得距离与余弦相似度
离线推荐
在离线推荐部分设计:
主要应用场景：一般应用在首页推荐，即用户访问时还没有产生行为数据，这其中分为两部分，一部分为老用户，因为老用户有历史数据，可以在他进入应用首页推荐位上，为他展示离线推荐的结果，另外一部分为新用户，由于新用户没有历史数据（冷启动问题），可在推荐位上展示相关热度的排行数据。
实时推荐
实时推荐架构设计：
没有写完就发布了，主要是怕没时间写完或者没有毅力，先发布，给自己一点动力，写的不好请大家指教，谢谢