Java 类名:com.alibaba.alink.pipeline.recommendation.FmItemsPerUserRecommender
Python 类名:FmItemsPerUserRecommender

功能介绍

使用Fm推荐模型,为user推荐item list。

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
recommCol 推荐结果列名 推荐结果列名 String
userCol User列列名 User列列名 String
excludeKnown 排除已知的关联 推荐结果中是否排除训练数据中已知的关联 Boolean false
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
modelFilePath 模型的文件路径 模型的文件路径 String null
overwriteSink 是否覆写已有数据 是否覆写已有数据 Boolean false
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 *
  2. import pandas as pd
  3. useLocalEnv(1)
  4. df_data = pd.DataFrame([
  5. [1, 1, 0.6],
  6. [2, 2, 0.8],
  7. [2, 3, 0.6],
  8. [4, 1, 0.6],
  9. [4, 2, 0.3],
  10. [4, 3, 0.4],
  11. ])
  12. data = BatchOperator.fromDataframe(df_data, schemaStr='user bigint, item bigint, rating double')
  13. model = FmRecommTrainBatchOp()\
  14. .setUserCol("user")\
  15. .setItemCol("item")\
  16. .setNumFactor(20)\
  17. .setRateCol("rating").linkFrom(data);
  18. rec = FmItemsPerUserRecommender()\
  19. .setUserCol("user")\
  20. .setK(1).setReservedCols(["user"])\
  21. .setRecommCol("prediction_result")\
  22. .setModelData(model);
  23. rec.transform(data).print()

Java 代码

  1. import org.apache.flink.types.Row;
  2. import com.alibaba.alink.operator.batch.BatchOperator;
  3. import com.alibaba.alink.operator.batch.recommendation.FmRecommTrainBatchOp;
  4. import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
  5. import com.alibaba.alink.pipeline.recommendation.FmItemsPerUserRecommender;
  6. import org.junit.Test;
  7. import java.util.Arrays;
  8. import java.util.List;
  9. public class FmItemsPerUserRecommenderTest {
  10. @Test
  11. public void testFmItemsPerUserRecommender() throws Exception {
  12. List <Row> df_data = Arrays.asList(
  13. Row.of(1, 1, 0.6),
  14. Row.of(2, 2, 0.8),
  15. Row.of(2, 3, 0.6),
  16. Row.of(4, 1, 0.6),
  17. Row.of(4, 2, 0.3),
  18. Row.of(4, 3, 0.4)
  19. );
  20. BatchOperator <?> data = new MemSourceBatchOp(df_data, "user int, item int, rating double");
  21. BatchOperator <?> model = new FmRecommTrainBatchOp()
  22. .setUserCol("user")
  23. .setItemCol("item")
  24. .setNumFactor(20)
  25. .setRateCol("rating").linkFrom(data);
  26. FmItemsPerUserRecommender rec = new FmItemsPerUserRecommender()
  27. .setUserCol("user")
  28. .setK(1).setReservedCols("user")
  29. .setRecommCol("prediction_result")
  30. .setModelData(model);
  31. rec.transform(data).print();
  32. }
  33. }

运行结果

| user | prediction_result | | —- | —- |

| 1 | {“object”:”[1]”,”rate”:”[0.5829579830169678]”} |

| 2 | {“object”:”[2]”,”rate”:”[0.576914370059967]”} |

| 2 | {“object”:”[2]”,”rate”:”[0.576914370059967]”} |

| 4 | {“object”:”[1]”,”rate”:”[0.5055253505706787]”} |

| 4 | {“object”:”[1]”,”rate”:”[0.5055253505706787]”} |

| 4 | {“object”:”[1]”,”rate”:”[0.5055253505706787]”} |