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

功能介绍

使用Fm推荐模型，为item推荐user 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
itemCol Item列列名 Item列列名 String ✓
recommCol 推荐结果列名 推荐结果列名 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 *
  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')
  18. model = FmRecommTrainBatchOp()\
  19.     .setUserCol("user")\
  20.     .setItemCol("item")\
  21.     .setNumFactor(20)\
  22.     .setRateCol("rating").linkFrom(data);
  24. rec = FmUsersPerItemRecommender()\
  25.     .setItemCol("item")\
  26.     .setK(1).setReservedCols(["item"])\
  27.     .setRecommCol("prediction_result")\
  28.     .setModelData(model);
  30. rec.transform(data).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.FmRecommTrainBatchOp;
  5. import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
  6. import com.alibaba.alink.pipeline.recommendation.FmUsersPerItemRecommender;
  7. import org.junit.Test;
  9. import java.util.Arrays;
  10. import java.util.List;
  12. public class FmUsersPerItemRecommenderTest {
  13.     @Test
  14.     public void testFmUsersPerItemRecommender() throws Exception {
  15.         List <Row> df_data = Arrays.asList(
  16.             Row.of(1, 1, 0.6),
  17.             Row.of(2, 2, 0.8),
  18.             Row.of(2, 3, 0.6),
  19.             Row.of(4, 1, 0.6),
  20.             Row.of(4, 2, 0.3),
  21.             Row.of(4, 3, 0.4)
  22.         );
  23.         BatchOperator <?> data = new MemSourceBatchOp(df_data, "user int, item int, rating double");
  24.         BatchOperator <?> model = new FmRecommTrainBatchOp()
  25.             .setUserCol("user")
  26.             .setItemCol("item")
  27.             .setNumFactor(20)
  28.             .setRateCol("rating").linkFrom(data);
  29.         FmUsersPerItemRecommender rec = new FmUsersPerItemRecommender()
  30.             .setItemCol("item")
  31.             .setK(1).setReservedCols("item")
  32.             .setRecommCol("prediction_result")
  33.             .setModelData(model);
  34.         rec.transform(data).print();
  35.     }
  36. }

运行结果

| item | prediction_result | | —- | —- |

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

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

| 3 | {“object”:”[1]”,”rate”:”[0.5055253505706787]”} |

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

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

| 3 | {“object”:”[1]”,”rate”:”[0.5055253505706787]”} |