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

功能介绍

用UserCF模型 实时为user推荐item list。

参数说明

好的,我已经把你的内容转换为 markdown table 格式了。你可以复制下面的代码块到你想要的地方。

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
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)

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. sdata = StreamOperator.fromDataframe(df_data, schemaStr='user bigint, item bigint, rating double')
  14. model = UserCfTrainBatchOp()\
  15. .setUserCol("user")\
  16. .setItemCol("item")\
  17. .setRateCol("rating").linkFrom(data);
  18. predictor = UserCfItemsPerUserRecommStreamOp(model)\
  19. .setUserCol("user")\
  20. .setReservedCols(["user"])\
  21. .setK(1)\
  22. .setRecommCol("prediction_result");
  23. predictor.linkFrom(sdata).print()
  24. StreamOperator.execute()

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.UserCfTrainBatchOp;
  4. import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
  5. import com.alibaba.alink.operator.stream.StreamOperator;
  6. import com.alibaba.alink.operator.stream.recommendation.UserCfItemsPerUserRecommStreamOp;
  7. import com.alibaba.alink.operator.stream.source.MemSourceStreamOp;
  8. import org.junit.Test;
  9. import java.util.Arrays;
  10. import java.util.List;
  11. public class UserCfItemsPerUserRecommStreamOpTest {
  12. @Test
  13. public void testUserCfItemsPerUserRecommStreamOp() throws Exception {
  14. List <Row> df_data = Arrays.asList(
  15. Row.of(1, 1, 0.6),
  16. Row.of(2, 2, 0.8),
  17. Row.of(2, 3, 0.6),
  18. Row.of(4, 1, 0.6),
  19. Row.of(4, 2, 0.3),
  20. Row.of(4, 3, 0.4)
  21. );
  22. BatchOperator <?> data = new MemSourceBatchOp(df_data, "user int, item int, rating double");
  23. StreamOperator <?> sdata = new MemSourceStreamOp(df_data, "user int, item int, rating double");
  24. BatchOperator <?> model = new UserCfTrainBatchOp()
  25. .setUserCol("user")
  26. .setItemCol("item")
  27. .setRateCol("rating").linkFrom(data);
  28. StreamOperator <?> predictor = new UserCfItemsPerUserRecommStreamOp(model)
  29. .setUserCol("user")
  30. .setReservedCols("user")
  31. .setK(1)
  32. .setRecommCol("prediction_result");
  33. predictor.linkFrom(sdata).print();
  34. StreamOperator.execute();
  35. }
  36. }

运行结果

好的,我已经把你的内容转换为 markdown table 格式了。你可以复制下面的代码块到你想要的地方。

user prediction_result
2 {“item”:”[1]”,”score”:”[0.1843731071033702]”}
4 {“item”:”[2]”,”score”:”[0.16388720631410686]”}
2 {“item”:”[1]”,”score”:”[0.1843731071033702]”}
4 {“item”:”[2]”,”score”:”[0.16388720631410686]”}
1 {“item”:”[1]”,”score”:”[0.4609327677584255]”}
4 {“item”:”[2]”,”score”:”[0.16388720631410686]”}