在 Spark: MatrixFactorizationModel.scala 中,“recommendProductsForUsers”函数完成时间非常长

我有一个9个节点的集群,每个节点的配置如下,

enter image description here

enter image description here

我尝试使用MatrixFactorizationModel中的’recommendProductsForUsers‘函数为所有用户生成推荐。看起来完成这个操作需要很长时间(例如:对于一个月的数据,大约需要34个小时)。这是因为需要对矩阵进行多次迭代吗?

我如何减少执行时间?

这些是我的spark-submit配置:

spark-submit –jars $JAR_LOC –class com.collaborativefiltering.CustomerCollaborativeJob –driver-memory 5G –num-executors 7 –executor-cores 2 –executor-memory 20G –master yarn-client cust_rec/cust-rec.jar –period 1month –out /PATH –rank 50 –numIterations 2 –lambda 0.25 –alpha 300 –topK 20

非常感谢您的帮助。


回答:

我在MatrixFactorizationModel中发现,recommendProductsForUsers需要进行多次迭代,因此计算时间较长。一旦我在云端开始运行我的作业,我通过增加节点和spark执行器来测试作业。确实有效!我能够在4小时内完成作业的运行和完成。

Related Posts

Keras Dense层输入未被展平

这是我的测试代码: from keras import…

无法将分类变量输入随机森林

我有10个分类变量和3个数值变量。我在分割后直接将它们…

如何在Keras中对每个输出应用Sigmoid函数?

这是我代码的一部分。 model = Sequenti…

如何选择类概率的最佳阈值?

我的神经网络输出是一个用于多标签分类的预测类概率表: …

在Keras中使用深度学习得到不同的结果

我按照一个教程使用Keras中的深度神经网络进行文本分…

‘MatMul’操作的输入’b’类型为float32,与参数’a’的类型float64不匹配

我写了一个简单的TensorFlow代码,但不断遇到T…

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注