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

功能介绍

Fm 推荐打分是使用Fm推荐模型,预测user对item的评分。

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
userCol User列列名 User列列名 String
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. fmRate = FmRateRecommender()\
  19. .setUserCol("user")\
  20. .setItemCol("item")\
  21. .setRecommCol("prediction_result")\
  22. .setModelData(model)
  23. fmRate.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.FmRateRecommender;
  6. import org.junit.Test;
  7. import java.util.Arrays;
  8. import java.util.List;
  9. public class FmRateRecommenderTest {
  10. @Test
  11. public void testFmRateRecommender() 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. FmRateRecommender fmRate = new FmRateRecommender()
  27. .setUserCol("user")
  28. .setItemCol("item")
  29. .setRecommCol("prediction_result")
  30. .setModelData(model);
  31. fmRate.transform(data).print();
  32. }
  33. }

运行结果

| user | item | rating | prediction_result | | —- | —- | —- | —- |

| 1 | 1 | 0.6 | 0.582958 |

| 2 | 2 | 0.8 | 0.576914 |

| 2 | 3 | 0.6 | 0.508942 |

| 4 | 1 | 0.6 | 0.505525 |

| 4 | 2 | 0.3 | 0.372908 |

| 4 | 3 | 0.4 | 0.347927 |