我编写了一个Spark程序用于生成推荐。然后我使用了ALS.recommendation库。我用以下名为trainData的数据集进行了一个小测试：
(u1, m1, 1)(u1, m4, 1)(u2, m2, 1)(u2, m3, 1)(u3, m1, 1)(u3, m3, 1)(u3, m4, 1)(u4, m3, 1)(u4, m4, 1)(u5, m2, 1)(u5, m4, 1)第一列包含用户，第二列包含用户评分的项目，第三列包含评分。
我在Scala中编写的代码中使用以下方式训练模型：
myModel = ALS.trainImplicit(trainData, 3, 5, 0.01, 1.0)我尝试使用以下指令为u1检索一些推荐：
recommendations = myModel.recommendProducts(idUser, 2)其中idUser包含分配给用户u1的ID。作为推荐，我得到的是：
(u1, m1, 1.0536233346170754)(u1, m4, 0.8540954252858661)(u1, m3, 0.09069877419040584)(u1, m2, -0.1345521479521654)如您所见，前两行显示推荐的项目是u1已经评分过的项目（m1和m4）。无论我选择哪个用户来获取推荐，结果总是相同的（首先推荐的是用户已经评分过的项目）。
我觉得这很奇怪！有什么问题吗？
回答：
我认为这是使用recommendProducts的预期行为，当您训练像ALS这样的矩阵分解算法时，您试图找到将每个用户与每个项目相关的评分。
ALS基于用户已经评分的项目来做这件事，因此当您为给定用户寻找推荐时，模型对它已经看到的评分最有把握，所以它大多数时候会推荐已经评分过的产品。
您需要做的是保留每个用户评分过的产品列表，并在进行推荐时过滤掉这些产品。
编辑：
我深入研究了一些源代码和文档，以确保我所说的是正确的。
ALS.recommendProducts是在类MatrixFactorizationModel（源代码）中实现的。您可以看到，模型在进行推荐时并不关心用户是否已经对该项目进行了评分。
您应该注意，如果您使用的是隐式评分，那么您肯定希望推荐用户已经隐式评分过的产品：想象一下，您的隐式评分是用户在线商店中查看产品的页面浏览量，而您希望用户购买该产品的情况。
我没有访问那本《使用Spark进行高级分析》的书，所以我无法评论那里的解释和例子。
文档：
