运用您对矩阵乘法的理解，判断哪部电影对 User_3 的推荐分数最高。评分矩阵已通过 ALS 分解为 U 和 P。
User_3
U
P
本练习是课程的一部分
通过完成这段示例代码来试试这个练习。
# View left factor matrix print(____)
本章将向您展示推荐引擎的强大能力，并区分协同过滤与基于内容的推荐引擎，以及推荐引擎可使用的显式与隐式数据类型。您还将学习一种非常有效的方法，用于发掘客户数据集中那些您可能尚不知晓的隐藏特征（潜在特征）。
本章将回顾矩阵乘法与矩阵分解的基础概念，深入讲解交替最小二乘（ALS）算法的工作原理，以及其用于生成最佳推荐结果的参数与超参数设置。您还将学习在 Spark 中为 ALS 正确准备数据的重要技巧。
当前练习
本章将向您介绍 MovieLens 数据集。您将了解如何评估其是否适用于 ALS，在其上构建完整的交叉验证 ALS 模型，并学习如何评估模型性能。这将为您后续使用 PySpark 构建的一切 ALS 模型打下基础。
在大多数真实场景中，您往往无法获得用于构建 ALS 模型的"完美"客户数据。本章将教您如何利用客户行为数据来"推断"用户评分，并基于这些推断评分构建 ALS 推荐引擎。借助 Million Songs 数据集以及另一版本的 MovieLens 数据集，本章将演示如何用手头可用的数据构建 ALS 推荐引擎并评估其性能。