为什么我的Spark Mlib ALS协作过滤训练模型这么慢？

Question

我目前在我的App中将ALS协作过滤方法用于内容推荐系统。看起来工作正常，预测部分很快，但是训练模型部分需要20秒钟以上。我需要至少1秒或更短的时间，因为我需要几乎实时的建议。我目前使用3台机器的Spark集群，每个节点有17GB。我也使用datastax，但这不应该有任何影响。

我真的不知道为什么以及如何改善这一点？很高兴提出任何建议，谢谢。

这是基本的火花代码：

from pyspark.mllib.recommendation import ALS, MatrixFactorizationModel, Rating

# Load and parse the data
data = sc.textFile("data/mllib/als/test.data")
ratings = data.map(lambda l: l.split(','))\
    .map(lambda l: Rating(int(l[0]), int(l[1]), float(l[2])))

此部分需要20秒钟以上，但只需要不到1秒。

# Build the recommendation model using Alternating Least Squares
rank = 10
numIterations = 10
model = ALS.train(ratings, rank, numIterations)

# Evaluate the model on training data
testdata = ratings.map(lambda p: (p[0], p[1]))
predictions = model.predictAll(testdata).map(lambda r: ((r[0], r[1]), r[2]))
ratesAndPreds = ratings.map(lambda r: ((r[0], r[1]), r[2])).join(predictions)
MSE = ratesAndPreds.map(lambda r: (r[1][0] - r[1][1])**2).mean()
print("Mean Squared Error = " + str(MSE))

# Save and load model
model.save(sc, "target/tmp/myCollaborativeFilter")
sameModel = MatrixFactorizationModel.load(sc, "target/tmp/myCollaborativeFilter")

Answer 1

之所以需要时间的原因之一是因为RDD。对于RDD，没有特定的结构/架构。因此，这些趋向于有些缓慢。当调用ALS.train（）时，RDD幕后发生的某些操作（例如，flatmap，count，map）将不得不考虑嵌套结构，因此很慢。

相反，您可以使用数据框而不是RDD尝试相同的操作。由于架构/类型是已知的，因此数据帧操作是最佳的。但是，要使ALS在数据帧上工作，您必须从“ ml.recommendation”导入ALS。我也遇到了同样的问题，当我尝试使用数据框而不是RDD时，它运行得很好。

您也可以在数据变得很大时尝试检查点。