Scala代码实现基于SVD分解的推荐系统

以下是Scala代码实现基于SVD分解的推荐系统的简单示例：

import org.apache.spark.ml.recommendation.ALS
import org.apache.spark.sql.SparkSession

val spark = SparkSession.builder()
   .appName("SVD Recommendation System")
   .master("local[*]")
   .getOrCreate()

val ratings = spark.read.format("csv")
   .option("header", "true")
   .option("inferSchema", "true")
   .load("ratings.csv")

val als = new ALS()
   .setRank(10)
   .setMaxIter(10)
   .setRegParam(0.01)
   .setUserCol("userId")
   .setItemCol("movieId")
   .setRatingCol("rating")

val model = als.fit(ratings)

val userRecs = model.recommendForAllUsers(10)
userRecs.show()

其中，我们使用了Spark的机器学习库MLlib中的ALS（Alternating Least Squares）算法，该算法是一种基于矩阵分解的协同过滤推荐算法。我们首先读取评分数据，然后使用ALS算法训练模型，最后生成推荐结果。在此示例中，我们为每个用户生成了10个推荐物品。