请解释 Apache Mahout 中 ALS 算法（交替最小二乘法）的工作原理，说明其核心步骤和适用场景。
考察说明
考察对 Mahout 中 ALS 算法原理的理解，包括矩阵分解的交替优化思想及其在协同过滤中的应用。
回答思路
- 【回答框架 1】ALS 是矩阵分解算法，用于协同过滤。核心是将用户-物品评分矩阵 R 分解为两个低秩矩阵 U（用户特征）和 V（物品特征），使得 R 近似等于 U 和 V 的乘积。
- 【回答框架 2】算法通过交替固定一个矩阵，优化另一个矩阵来最小化平方误差。每一步都是一个最小二乘问题，因为固定 U 时，V 的每个列可以独立求解，反之亦然。
- 【回答框架 3】Mahout 中的 ALS 实现针对稀疏评分矩阵优化，支持隐式反馈（如点击、购买）和显式评分。对于隐式反馈，会引入置信度权重，并调整损失函数。
- 【回答框架 4】交替迭代不断更新 U 和 V，直到收敛或达到设定迭代次数。最终得到的 U 和 V 可用于预测用户对未交互物品的评分，从而产生推荐。
- 【关键点 1】ALS 通过交替最小二乘优化矩阵分解，避免全局优化困难。
- 【关键点 2】每个子问题可并行求解，适合分布式计算。
- 【关键点 3】适用于显式评分和隐式反馈，隐式反馈需引入置信度。
- 【关键点 4】推荐结果基于预测评分，需注意冷启动和数据稀疏问题。
- 【易错点 1】ALS 不保证全局最优，可能陷入局部最优。
- 【易错点 2】需要调节正则化参数和特征维度，否则过拟合或欠拟合。
- 【易错点 3】训练样本稀疏时，预测偏差可能较大。