引言：推荐系统的“第一公里”困境在电商推荐系统中，冷启动（Cold Start）是一个经典且棘手的问题。当新用户首次访问平台时，系统没有任何历史行为数据（浏览、点击、购买记录），传统的协同过滤算法（如ALS、SVD）无法为其生成有效的个性化推荐。如果直接返回热门商品或随机推荐，会导致两个严重后果：用户体验差：看到的商品与自身兴趣无关，降低留存率算法效果退化：协同过滤依赖用户-商品交互矩阵，新用户加入后矩阵更加稀疏，推荐精度进一步下降本系统设计了一种“协同过滤 + 用户画像”的混合推荐策略，在Spark Streaming实时计算框架下实现，有效缓解了冷启动问题。一、离线训练：ALS协同过滤模型1.1 算法原理简述ALS（Alternating Least Squares，交替最小二乘法）是一种基于矩阵分解的协同过滤算法。它将m×n的用户-商品评分矩阵R分解为m×k的用户因子矩阵U和k×n的商品因子矩阵V的乘积：R ≈ U × V其中k是隐向量维度（通常取50~200），代表潜在的兴趣特征。通过最小化以下损失函数，迭代求解最优的U和V：L = Σ(R_ui - U_u · V_i)² + λ(||U_u||² + ||V_i||²)1.2 行为到评分的映射原始日志中只有行为类型（view/click/add_cart/pay），没有显式的评分值。我根据不同行为代表的偏好强度，将其映射为评分：// 行为 → 评分映射规则 val ratingDF = spark.sql(""" SELECT user_id, product_id, CASE action WHEN 'pay' THEN 5.0 // 支付：强正反馈 WHEN 'add_cart' THEN 3.0 // 加购：中度兴趣 WHEN 'click' THEN 1.0 // 点击：弱兴趣 WHEN 'view' THEN 0.5 // 浏览：极弱信号 ELSE 0.0 END AS rating FROM user
)
