我有一个基于用户相似的布尔优先推荐。 我的基本数据集，其中包含项目Id是文章的用户已经决定读关系。 我想补充包含第二数据模型，其中项目Id是订阅特定主题。
我能想象这样做的唯一方法是通过合并两个在一起，抵消了订阅ID，使他们不与文章ID冲突。 用于加权我考虑丢弃的布尔偏好设置和引入偏好分数，其中，所述子集物品具有1的偏好分数（例如）和子集的订阅具有2的偏好分数。
我不知道这是否会工作，但是，由于偏好度是不完全类似于排序加权后我; 他们可能包括表示不满，得分较低的一些概念。
我想象有一个更好的方式来做到这一点，或至少有调整我的计划这将使它沿着我的愿望线工作了。
我觉得你在正确的思维方式吧。 是的，你想多一点表现不是简单的存在/不用于订阅和文章存在的，因为它们的含义有所不同的东西。 我会建议挑选反映其相对频率权重。 例如，如果用户已经读了所有的时间100K的文章，并提出10000个订阅，那么你可以选择订阅的重量为“10”和读重量为“1”。
这个如果你把这些值作为偏好分数，对于一些原因完全不是那么回事。 如果您使用的对待他们就像他们是什么办法，这是线性加权它工作得更好。
我想指出你的ALS-WR算法，这是专门为这种类型的输入而设计的。 例如： 协同过滤的隐式反馈数据集
这在Mahout中实现为ParallelALSFactorizationJob在Hadoop上。 它可以很好地虽然需要的Hadoop。 （我不能邀功，虽然我没有写最亨利马乌推荐代码。）
广告语：我工作的一个商业化的“下一代”系统，从我在Mahout中的工作发展，为Myrrix 。 这是ALS-WR的实现，非常适合您的一种投入。 这是很容易下载和运行 ，并且不需要的Hadoop。
因为它可以直接适用于你的问题，我不介意在这里堵了。
