我有一组数据，包含用户通过选择完成的问题和答案。我试图构建一个用户-用户推荐引擎，根据他们对问题的回答找到相似用户。一个重要点是问题是随机排列的，没有顺序，而且数据是流式的。

所以对于每个用户，我的数据看起来像这样：

user_1: {"question_1": "choice_1", ...}user_2: {"question_3": "choice_4", ...}user_3: {"question_1": "choice_3", ...}

我发现大多数教程都是关于用户-物品推荐的，但没有关于用户-用户推荐的。

我意识到聚类和余弦相似度可能是很好的选择，我发现columnSimilarity非常高效。

rows = sc.parallelize([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]])mat = RowMatrix(rows)sims = mat.columnSimilarity()

我有两个问题：

将每个用户定义为列，将问题/选择定义为行来获得我需要的结果是否明智？

我应该如何将这种类型的数据向量化为数字？如果我需要进行聚类的话。

提前谢谢你 🙂

回答：

遗憾的是，事情不能这样做。这太好了，不可能是真的，对吗？

columnSimilarity适用于瘦高矩阵，所以如果你有一个希望执行此任务的用户-用户矩阵，它将不起作用。例如，如果你有100万用户）

从你的描述来看，我认为你可能有一个矮宽矩阵，columnSimilarity对你不起作用。

如果你希望执行用户-用户协同过滤，聚类将是一种方法。（其他方法中，LSH也是一个不错的选择。）