机器学习实践：ALS的矩阵分解-Part II
在之前「机器学习实践：ALS的矩阵分解」中，我们通过ALS矩阵分解，对用户兴趣标签进行向量化，得到了接近word2vec的效果。
但是遗留了一个重要的问题，矩阵分解模型是对user_id和item_id进行建模的，只有把对全量的id的数据都喂给模型，才能获得id向量。这个id向量是静态的，一次性的，但在推荐系统使用时，建模数据每天变化，user_id和item_id集合也是不断变化的，导致ALS直接使用并不方便，两方面的挑战：
- 如果只关心item的向量，可以对user集合进行了10%的抽样，但如果需要user集合的向量，就需要对全量数据分解，训练时间就会大大增加。
- 行为数据每天更新，每次训练ALS学出来的向量都会与旧数据完全不同，没有连续性。
这个挑战类似于GNN之于node2vec的改进，也就是 inductive（不使用node_id）和 transductive（使用node_id）的区别。
那么，这篇讨论的问题是，ALS算法能不能改造成inductive的？ 也就是能否满足下面两点性质，
