我们现在开始训练模型，还输入参数如下： rank：ALS中因子的个数，通常来说越大越好，但是对内存占用率有直接影响，通常rank在10到200之间。 iterations：迭代次数，每次迭代都会减少ALS的重构误差。在几次迭代之后，ALS模型都会收敛得到一个不错的结果，所以大多情况下不需要太多的迭代（通常是10次）。 lambda：模型的正则化参数，控制着避免过度拟合，值越大，越正则化。
我们将使用50个因子，8次迭代，正则化参数0.01来训练模型：
val model = ALS.train(ratings, 50, 8, 0.01)
说明：原书中使用的迭代参数是10，但是在本机上使用10次迭代参数会造成堆内存溢出，经过调试将它改成8。 它会返回一个MatrixFactorizationModel对象，包含了user和item的RDD，以（id，factor）对的形式，，它们是userFeatures和productFeatures。
println(model.userFeatures.count)println(model.productFeatures.count)
MatrixFactorizationModel类有有一个非常方便的方法predict，会针对某个用户和物品的组合预测分数。
val predictedRating = model.predict(789, 123)
这里选择的用户id为789，计算他对电影123可能的评分，结果如下：
你得到的结果可能跟我这的不一样，因为ALS模型是随机初始化的。
predict方法会创建一个RDD（user，item），为某个用户进行个性化推荐，MatrixFactorizationModel提供了一个非常方便的方法——recommendProducts，输入参数：user，num。user是用户id，num是将要推荐的个数。
现在为用户789推荐10部电影：
topKRecs = model.recommendProducts(userID, K);println(topKRecs.mkString(“\n”))
结果如下：
下面取到电影的名字：
val movies = sc.textFile(“F:\\ScalaWorkSpace\\data\\ml-100k\\u.item”)val titles = movies.map(line => line.split(“\\|”).take(2)).map(array => (array(0).toInt, array(1))).collectAsMap()println(titles(123))
结果如下：
我们再来看看用户789对多少部电影进行了评分：
val moviesForUser = ratings.keyBy(_.user).lookup(789)println(moviesForUser.size)
结果如下：
可以看到用户789对33部电影进行了评分。 接下来我们将要取得前10个评分最高的电影，使用Rating对象的rating字段，并且得到根据电影的id得打电影的名字：
moviesForUser.sortBy(-_.rating).take(10).map(rating => (titles(rating.product), rating.rating)).foreach(println)
结果如下：
然后我们再来看看为这个用户推荐的是哪10部电影：
topKRecs.map(rating => (titles(rating.product), rating.rating)).foreach(println)
结果如下：
找到相似电影
通过计算两个向量的夹角的余弦值来判断相似度，如果是1，那么说明完全一样，如果是0那么说明没有相关性，如果是-1则表明这两者是完全相反的。首先编写计算两个向量夹角余弦值的方法：
: Double = {vec1.dot(vec2) / (vec1.norm2() * vec2.norm2()) }
现在来检测下是否正确，选一个电影，看看它与它本身相似度是否是1：
val itemId = 567val itemFactor = model.productFeatures.lookup(itemId).headval itemVector = new DoubleMatrix(itemFactor)println(cosineSimilarity(itemVector, itemVector))
可以看到得出的结果是1！
接下来我们计算其他电影与它的相似度：
val sims = model.productFeatures.map{ case (id, factor) =>val factorVector = new DoubleMatrix(factor)val sim = cosineSimilarity(factorVector, itemVector)(id,sim)}
然后取得前10个：
val sortedSims = sims.top(K)(Ordering.by[(Int, Double), Double]{case(id, similarity) => similarity})println(sortedSims.take(10).mkString(“\n”))
结果如下：
现在来看看电影名字：
val sortedSims2 = sims.top(K+1)(Ordering.by[(Int, Double), Double]{case(id, similarity) => similarity})println(sortedSims2.slice(1, 11).map{case (id, sim) => (titles(id), sim)}.mkString(“\n”))
结果如下：
吃东西，随便是什么——都可以。当日出越过山涧，我未老，你依然。
