Java 类名：com.alibaba.alink.operator.batch.recommendation.AlsImplicitTrainBatchOp
Python 类名：AlsImplicitTrainBatchOp

功能介绍

隐式反馈对应的ALS算法即：ALS-WR（Alternating Least Squares With Weighted-λ -regularization）。 用于对评分矩阵进行因子分解，然后预测user对item的评分。
它通过观察到的所有用户给产品的打分，来推断每个用户的喜好并向用户推荐适合的产品。

算法原理

很多情况下，用户并没有明确反馈对物品的偏好，需要通过用户的相关行为去推测其对物品的偏好，比如在电商网站中，用户是否点击物品，点击的话在一定程度上表示喜欢，
未点击的话可能是不喜欢，也可能是没有看到该物品。这种形式下的反馈就被称为隐式反馈。即矩阵R为隐式反馈矩阵，引入变量pij表示用户u_i对物品v_j的置信度，
如果隐式反馈大于0，置信度为，反之置信度为0。
![](https://img.alicdn.com/imgextra/i2/O1CN019OaVkv1x4DDW8vtR8!!6000000006389-2-tps-255-105.png)
上文也提到了，隐式反馈为0，不代表用户完全不喜欢，也可能是用户没有看到该物品。另外用户点击一个物品，也不代表是喜欢他，
可能是误点，所以需要一个信任等级来显示用户喜欢某个物品，一般情况下，rij越大(用户行为的次数)，越能暗示用户喜欢某个物品，因此引入变量c_ij，来衡量p_ij的信任度。
![](https://img.alicdn.com/imgextra/i4/O1CN01spiesx1KMHpeOfse8!!6000000001149-2-tps-192-48.png)
为置信度系数，那么代价函数变为如下形式：
ALS隐式训练 (AlsImplicitTrainBatchOp) - 图1
其中： 为正则项系数。我们需要找出代价函数最小的U和V。常规的梯度下降算法不能求解。但是先固定U求V，再固定V求U， 如此迭代下去，问题就可以解决了。

算法使用

隐式ALS算法和ALS算法相同，支持输出item或者user的隐向量，我们可以计算出用户或者物品的相似度，继而进行排序得到用户或者item的top N相似user或者item。
这样在数据进行召回时便可以进行召回了。 比如根据用户用行为的物品召回，当用户浏览了若干了item时， 便将这些item相似的item加入到召回池中，进行排序。

参考文献：

  1. implicit feedback: Collaborative Filtering for Implicit Feedback Datasets, 2008

    参数说明

    | 名称 | 中文名称 | 描述 | 类型 | 是否必须？ | 取值范围 | 默认值 | | —- | —- | —- | —- | —- | —- | —- |

| itemCol | Item列列名 | Item列列名 | String | ✓ | | |

| rateCol | 打分列列名 | 打分列列名 | String | ✓ | 所选列类型为 [BIGDECIMAL, BIGINTEGER, BYTE, DOUBLE, FLOAT, INTEGER, LONG, SHORT] | |

| userCol | User列列名 | User列列名 | String | ✓ | | |

| alpha | 隐式偏好模型系数alpha | 隐式偏好模型系数alpha | Double | | | 40.0 |

| lambda | 正则化系数 | 正则化系数 | Double | | | 0.1 |

| nonnegative | 是否约束因子非负 | 是否约束因子非负 | Boolean | | | false |

| numBlocks | 分块数目 | 分块数目 | Integer | | | 1 |

| numIter | 迭代次数 | 迭代次数，默认为10 | Integer | | | 10 |

| rank | 因子数 | 因子数 | Integer | | | 10 |

代码示例

Python 代码

  1. df_data = pd.DataFrame([
  2.     [1, 1, 0.6],
  3.     [2, 2, 0.8],
  4.     [2, 3, 0.6],
  5.     [4, 1, 0.6],
  6.     [4, 2, 0.3],
  7.     [4, 3, 0.4],
  8. ])
  10. data = BatchOperator.fromDataframe(df_data, schemaStr='user bigint, item bigint, rating double')
  12. als = AlsImplicitTrainBatchOp().setUserCol("user").setItemCol("item").setRateCol("rating") \
  13.     .setNumIter(10).setRank(10).setLambda(0.01)
  15. model = als.linkFrom(data)
  16. model.print()

Java 代码

  1. import org.apache.flink.types.Row;
  3. import com.alibaba.alink.operator.batch.BatchOperator;
  4. import com.alibaba.alink.operator.batch.recommendation.AlsImplicitTrainBatchOp;
  5. import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
  6. import org.junit.Test;
  8. import java.util.Arrays;
  9. import java.util.List;
  11. public class AlsImplicitTrainBatchOpTest {
  12.     @Test
  13.     public void testAlsImplicitTrainBatchOp() throws Exception {
  14.         List <Row> df_data = Arrays.asList(
  15.             Row.of(1, 1, 0.6),
  16.             Row.of(2, 2, 0.8),
  17.             Row.of(2, 3, 0.6),
  18.             Row.of(4, 1, 0.6),
  19.             Row.of(4, 2, 0.3),
  20.             Row.of(4, 3, 0.4)
  21.         );
  22.         BatchOperator <?> data = new MemSourceBatchOp(df_data, "user int, item int, rating double");
  23.         BatchOperator <?> als = new AlsImplicitTrainBatchOp().setUserCol("user").setItemCol("item").setRateCol(
  24.                 "rating")
  25.             .setNumIter(10).setRank(10).setLambda(0.01);
  26.         BatchOperator model = als.linkFrom(data);
  27.         model.print();
  28.     }
  29. }

运行结果

| id | p0 | p1 | p2 | | —- | —- | —- | —- |

| -1 | {“f0”:[[“user”,”factors”],[“item”,”factors”],[“user”,”item”]],”f1”:[[2,1],[2,1],[2,3]]} | null | null |

| 2 | null | 1 | 1 |

| 2 | null | 2 | 2 |

| 2 | null | 2 | 3 |

| 2 | null | 4 | 1 |

| 2 | null | 4 | 2 |

| 2 | null | 4 | 3 |

| 1 | 0.7067459225654602 0.47736793756484985 0.14002709090709686 0.6041285991668701 0.5332542657852173 0.6160406470298767 0.5020460486412048 0.48263704776763916 0.5093641877174377 0.5752177834510803 | 3 | null |

| 0 | 0.1763894259929657 -0.1366494745016098 0.6774582266807556 -0.4786214232444763 0.4608040153980255 0.4111763834953308 -0.49566400051116943 -0.25755634903907776 -0.17400074005126953 0.17524860799312592 | 1 | null |

| 0 | 0.2749805450439453 0.14517369866371155 0.15636394917964935 0.13525108993053436 0.25944361090660095 0.2805081903934479 0.0968703031539917 0.12784309685230255 0.15043362975120544 0.22882965207099915 | 4 | null |

| 1 | 0.7121766805648804 0.30997803807258606 0.5707741379737854 0.1878654509782791 0.7565042972564697 0.7929229140281677 0.09063886851072311 0.23355203866958618 0.3119025230407715 0.6008232831954956 | 1 | null |

| 1 | 0.7061372399330139 0.4771113395690918 0.1395183950662613 0.603988528251648 0.5325971245765686 0.615354597568512 0.5019887685775757 0.4824497699737549 0.5091073513031006 0.5747033953666687 | 2 | null |

| 0 | 0.10347702354192734 0.2801591753959656 -0.5076550841331482 0.6058341264724731 -0.19131097197532654 -0.12141165882349014 0.5839534997940063 0.38140058517456055 0.3221108913421631 0.05817580968141556 | 2 | null |