13、基于模型的电影推荐引擎与Q学习在期权交易中的应用

基于模型的电影推荐引擎与Q学习在期权交易中的应用

1. 基于模型的电影推荐引擎

在电影推荐系统的开发中，我们尝试了多种模型。之前的模型性能仍有提升空间，但目前对于基于MLlib的ALS算法，尚未有现成的模型调优工具。感兴趣的朋友可参考此链接获取更多关于调优基于ML的ALS模型的信息：https://spark.apache.org/docs/preview/ml - collaborative - filtering.html 。

1.1 最佳模型的选择与部署

首个项目中开发的模型仅用几行代码计算电影相似度，无法持久化，且只能计算两部电影的相似度，难以应用于实际电影推荐。因此，我们将重点放在基于模型的推荐引擎上。

虽然用户评分会不断更新，但保存当前模型仍有必要，这样在服务器启动时可节省时间，用于实时电影推荐。以下代码可保存训练好的ALS模型：

//Saving the model for future use
val savedALSModel = model.save(spark.sparkContext, "model/MovieRecomModel")

保存的ALS模型与其他Spark模型不同，仅包含训练数据和一些Parquet格式的元数据。恢复模型并进行类似操作的代码如下：

val same_model = MatrixFactorizationModel.load(spark.sparkContext, "model/MovieRecomModel/")