Java 类名：com.alibaba.alink.operator.stream.recommendation.AlsSimilarItemsRecommStreamOp
Python 类名：AlsSimilarItemsRecommStreamOp

功能介绍

使用ALS (Alternating Lease Square）训练的模型对相似的item的进行实时推荐。这里的ALS模型可以是隐式模型，也可以是显式模型，输出格式是MTable。

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 ✓
recommCol 推荐结果列名 推荐结果列名 String ✓
initRecommCol 初始推荐列列名 初始推荐列列名 String 所选列类型为 [M_TABLE] null
k 推荐TOP数量 推荐TOP数量 Integer 10
reservedCols 算法保留列名 算法保留列 String[] null
numThreads 组件多线程线程个数 组件多线程线程个数 Integer 1
modelStreamFilePath 模型流的文件路径 模型流的文件路径 String null
modelStreamScanInterval 扫描模型路径的时间间隔 描模型路径的时间间隔，单位秒 Integer 10
modelStreamStartTime 模型流的起始时间 模型流的起始时间。默认从当前时刻开始读。使用yyyy-mm-dd hh:mm:ss.fffffffff格式，详见Timestamp.valueOf(String s) String null

代码示例

Python 代码

  1. from pyalink.alink import *
  3. import pandas as pd
  5. useLocalEnv(1)
  7. df_data = pd.DataFrame([
  8.     [1, 1, 0.6],
  9.     [2, 2, 0.8],
  10.     [2, 3, 0.6],
  11.     [4, 1, 0.6],
  12.     [4, 2, 0.3],
  13.     [4, 3, 0.4],
  14. ])
  16. data = BatchOperator.fromDataframe(df_data, schemaStr='user bigint, item bigint, rating double')
  17. sdata = StreamOperator.fromDataframe(df_data, schemaStr='user bigint, item bigint, rating double')
  19. als = AlsTrainBatchOp().setUserCol("user").setItemCol("item").setRateCol("rating") \
  20.     .setNumIter(10).setRank(10).setLambda(0.01)
  22. model = als.linkFrom(data)
  23. predictor = AlsSimilarItemsRecommStreamOp(model) \
  24.     .setItemCol("item").setRecommCol("rec").setK(1).setReservedCols(["item"])
  26. predictor.linkFrom(sdata).print();
  28. StreamOperator.execute()

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.AlsTrainBatchOp;
  5. import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
  6. import com.alibaba.alink.operator.stream.StreamOperator;
  7. import com.alibaba.alink.operator.stream.recommendation.AlsSimilarItemsRecommStreamOp;
  8. import com.alibaba.alink.operator.stream.source.MemSourceStreamOp;
  9. import org.junit.Test;
  11. import java.util.Arrays;
  12. import java.util.List;
  14. public class AlsSimilarItemsRecommStreamOpTest {
  15.     @Test
  16.     public void testAlsSimilarItemsRecommStreamOp() throws Exception {
  17.         List <Row> df_data = Arrays.asList(
  18.             Row.of(1, 1, 0.6),
  19.             Row.of(2, 2, 0.8),
  20.             Row.of(2, 3, 0.6),
  21.             Row.of(4, 1, 0.6),
  22.             Row.of(4, 2, 0.3),
  23.             Row.of(4, 3, 0.4)
  24.         );
  25.         BatchOperator <?> data = new MemSourceBatchOp(df_data, "user int, item int, rating double");
  26.         StreamOperator <?> sdata = new MemSourceStreamOp(df_data, "user int, item int, rating double");
  27.         BatchOperator <?> als = new AlsTrainBatchOp().setUserCol("user").setItemCol("item").setRateCol("rating")
  28.             .setNumIter(10).setRank(10).setLambda(0.01);
  29.         BatchOperator model = als.linkFrom(data);
  30.         StreamOperator <?> predictor = new AlsSimilarItemsRecommStreamOp(model)
  31.             .setItemCol("item").setRecommCol("rec").setK(1).setReservedCols("item");
  32.         predictor.linkFrom(sdata).print();
  33.         StreamOperator.execute();
  34.     }
  35. }

运行结果

item rec
1 {“object”:”[3]”,”score”:”[0.8821980357170105]”}
2 {“object”:”[3]”,”score”:”[0.9917739629745483]”}
3 {“object”:”[2]”,”score”:”[0.9917739629745483]”}
1 {“object”:”[3]”,”score”:”[0.8821980357170105]”}
2 {“object”:”[3]”,”score”:”[0.9917739629745483]”}
3 {“object”:”[2]”,”score”:”[0.9917739629745483]”}