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

功能介绍

Swing 是一种被广泛使用的item召回算法

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
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.       ["a1", "11L", 2.2],
  9.       ["a1", "12L", 2.0],
  10.       ["a2", "11L", 2.0],
  11.       ["a2", "12L", 2.0],
  12.       ["a3", "12L", 2.0],
  13.       ["a3", "13L", 2.0],
  14.       ["a4", "13L", 2.0],
  15.       ["a4", "14L", 2.0],
  16.       ["a5", "14L", 2.0],
  17.       ["a5", "15L", 2.0],
  18.       ["a6", "15L", 2.0],
  19.       ["a6", "16L", 2.0],
  20. ])
  22. data = BatchOperator.fromDataframe(df_data, schemaStr='user string, item string, rating double')
  24. model = SwingTrainBatchOp()\
  25.     .setUserCol("user")\
  26.     .setItemCol("item")\
  27.     .linkFrom(data)
  29. predictor = SwingSimilarItemsRecommender()\
  30.     .setItemCol("item")\
  31.     .setRecommCol("prediction_result")\
  32.     .setModelData(model)
  34. predictor.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.pipeline.recommendation.SwingSimilarItemsRecommender;
  5. import com.alibaba.alink.operator.batch.recommendation.SwingTrainBatchOp;
  6. import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
  7. import org.junit.Test;
  9. import java.util.Arrays;
  10. import java.util.List;
  12. public class SwingSimilarItemsRecommenderTest {
  13.     @Test
  14.     public void testSwingSimilarItemsRecommender() throws Exception {
  15.         List <Row> df_data = Arrays.asList(
  16.             Row.of("a1", "11L", 2.2),
  17.             Row.of("a1", "12L", 2.0),
  18.             Row.of("a2", "11L", 2.0),
  19.             Row.of("a2", "12L", 2.0),
  20.             Row.of("a3", "12L", 2.0),
  21.             Row.of("a3", "13L", 2.0),
  22.             Row.of("a4", "13L", 2.0),
  23.             Row.of("a4", "14L", 2.0),
  24.             Row.of("a5", "14L", 2.0),
  25.             Row.of("a5", "15L", 2.0),
  26.             Row.of("a6", "15L", 2.0),
  27.             Row.of("a6", "16L", 2.0)
  28.         );
  29.         BatchOperator <?> data = new MemSourceBatchOp(df_data, "user string, item string, rating double");
  30.         BatchOperator <?> model = new SwingTrainBatchOp()
  31.             .setUserCol("user")
  32.             .setItemCol("item")
  33.             .linkFrom(data);
  34.         SwingSimilarItemsRecommender <?> predictor = new SwingSimilarItemsRecommender()
  35.             .setItemCol("item")
  36.             .setRecommCol("prediction_result")
  37.             .setModelData(model);
  38.         predictor.transform(data).print();
  39.     }
  40. }

运行结果

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

| a1 | 11L | 2.2000 | {“item”:”[“12L”]”,”score”:”[0.12805642187595367]”} |

| a1 | 12L | 2.0000 | {“item”:”[“11L”]”,”score”:”[0.11662912368774414]”} |

| a2 | 11L | 2.0000 | {“item”:”[“12L”]”,”score”:”[0.12805642187595367]”} |

| a2 | 12L | 2.0000 | {“item”:”[“11L”]”,”score”:”[0.11662912368774414]”} |

| a3 | 12L | 2.0000 | {“item”:”[“11L”]”,”score”:”[0.11662912368774414]”} |

| a3 | 13L | 2.0000 | null |

| a4 | 13L | 2.0000 | null |

| a4 | 14L | 2.0000 | null |

| a5 | 14L | 2.0000 | null |

| a5 | 15L | 2.0000 | null |

| a6 | 15L | 2.0000 | null |

| a6 | 16L | 2.0000 | null |