机器学习实践：ALS的矩阵分解
交替最小二乘法（Alternating Least Squares, ALS）是一个比较古早的推荐系统算法了，发表在18年之前，本来已经完全可以不管了，因为用神经网络（Neural Network）做物品的embedding的效果已经很好了。
但是，NN开销确实比较大，一来训练速度限制样本不能太多，二来内存限制物品数量不能太多（虽然严格意义上，通过更猛的框架分布式，PS之类可以解决，但也更麻烦）。因此，又把ALS算法给捡起来了，它的效果上虽然只能达到NN的80%左右，但是优势是，
- 用户和物品数量几乎无上限（只要不超过整型最大21亿，微博月活用户能全量分解）
- 训练速度非常快（因为没有反向传播/SGD）
- 可以分布式（Spark MLlib的明星算法）
粗看下来，几乎是弥补了神经网络的劣势，因此有了这篇实践，看看有什么坑，摸摸上限在哪里。（跳转踩坑后的总结）