我正在开发一个电影推荐引擎，并且已经阅读了很多相关的有用信息。有一点我从未看到被提及，那就是如何为新用户和新项目做出推荐。通常的流程是：我构建模型并训练它。然后输入一个用户以及我要为他们返回的前k个推荐项目。

现在，如果我想为初始稀疏评分矩阵中不存在的用户这样做呢？如果我为这个新用户有一个稀疏的电影评分数组，是否有简单的方法将其纳入模型中，而不需要从头开始重新训练整个模型？

我知道基于内容的过滤被用来解决CF的“冷启动”问题。即使我已经为这个新用户有一些评分，这也是我的唯一选择吗？

目前我正在研究加权交替最小二乘法(WALS)，最终我还想对SGD进行同样的操作。

回答：

我想你正在寻找的是如何将新项目/用户“折入”矩阵分解协同过滤的答案。这里已经讨论过这个问题：如何处理由Spark ALS从MLlib生成的模型中的新用户/项目？，其中提供了查找示例解决方案的地方（包括一些代码示例）。这是针对Spark ALS实现的，但主要思想保持不变。