我有 9 个节点集群,每个节点都有以下配置,
我正在尝试使用 ' recommendProductsForUsers 为 MatrixFactorizationModel 中的所有用户生成建议' 功能。看起来需要很长时间才能完成(例如:对于 1 个月的数据,大约需要 34 小时左右)。是不是因为对矩阵进行了多次迭代?
如何减少执行时间?
这些是我的 Spark 提交配置:
spark-submit --jars $JAR_LOC --class com.collaborativefiltering.CustomerCollaborativeJob --driver-memory 5G --num-executors 7 --executor-cores 2 --executor-memory 20G --master yarn-client cust_rec/cust-rec.jar --period 1month --out /PATH --rank 50 --numIterations 2 --lambda 0.25 --alpha 300 --topK 20
提前非常感谢您。
最佳答案
我发现在 MatrixFactorizationModel 中,recommendProductsForUsers 会经历多次迭代,因此计算时间很长。一旦我开始在云中运行我的作业,我就通过增加节点和 Spark 执行器来测试作业。它确实有效!我能够在 4 小时内运行并完成这项工作。
关于machine-learning - 在 Spark : MatrixFactorizationModel. scala “recommendProductsForUsers” 函数中需要很长时间才能完成,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/41424332/