我们正在尝试为具有多种商品类型（从快速移动的杂货店到低速移动的电子商品）的超市构建推荐系统。一些物品的购买频率更高，而一些物品只购买一次。

我们拥有来自 100 多个部门的 30K+ SKU 的 25K+ 客户 4 个月的购买历史数据。我们在 Spark 中运行 ALS-WR 来生成建议。令我们惊讶的是，我们收到了针对每个客户的前 15 条建议，这些建议非常笼统，没有太大变化。

我们已经尝试了几种方法来使推荐多样化，如下所示--计算的“评级”=标准化购买#-计算的“评级”=购买#的日志-计算的“评级”=1（如果购买#>1）-我们有使用以下参数组合 - lambda = 0.01 到 300，alpha = 5 到 50，等级 = 10、20、30 和迭代次数 = 10、20 - 考虑的偏好是明确的。

您认为 ALS 可以用于此类异构数据吗？如果是，哪些修改将使推荐多样化和个性化？