ALS：打分推荐 (AlsRateRecommender)

Java 类名：com.alibaba.alink.pipeline.recommendation.AlsRateRecommender

Python 类名：AlsRateRecommender

功能介绍

使用ALS (Alternating Lease Square）训练的模型对（user，item）输入流对进行实时评分预测。这里的ALS模型可以是隐式模型，也可以是显式模型。

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

from pyalink.alink import *

import pandas as pd

useLocalEnv(1)

df_data = pd.DataFrame([
    [1, 1, 0.6],
    [2, 2, 0.8],
    [2, 3, 0.6],
    [4, 1, 0.6],
    [4, 2, 0.3],
    [4, 3, 0.4],
])

data = BatchOperator.fromDataframe(df_data, schemaStr='user bigint, item bigint, rating double')

als = AlsTrainBatchOp().setUserCol("user").setItemCol("item").setRateCol("rating") \
    .setNumIter(10).setRank(10).setLambda(0.01)

model = als.linkFrom(data)

alsRate = AlsRateRecommender().setUserCol("user").setItemCol("item").setRecommCol("rating") \
        .setRecommCol("predicted_rating").setModelData(model)
    
alsRate.transform(data).print()

Java 代码

import org.apache.flink.types.Row;

import com.alibaba.alink.operator.batch.BatchOperator;
import com.alibaba.alink.operator.batch.recommendation.AlsTrainBatchOp;
import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
import com.alibaba.alink.pipeline.recommendation.AlsRateRecommender;
import org.junit.Test;

import java.util.Arrays;
import java.util.List;

public class AlsRateRecommenderTest {
	@Test
	public void testAlsRateRecommender() throws Exception {
		List <Row> df_data = Arrays.asList(
			Row.of(1, 1, 0.6),
			Row.of(2, 2, 0.8),
			Row.of(2, 3, 0.6),
			Row.of(4, 1, 0.6),
			Row.of(4, 2, 0.3),
			Row.of(4, 3, 0.4)
		);
		BatchOperator <?> data = new MemSourceBatchOp(df_data, "user int, item int, rating double");
		BatchOperator <?> als = new AlsTrainBatchOp().setUserCol("user").setItemCol("item").setRateCol("rating")
			.setNumIter(10).setRank(10).setLambda(0.01);
		BatchOperator model = als.linkFrom(data);
		AlsRateRecommender alsRate = new AlsRateRecommender().setUserCol("user").setItemCol("item").setRecommCol(
			"rating")
			.setRecommCol("predicted_rating").setModelData(model);
		alsRate.transform(data).print();
	}
}

运行结果

user	item	rating	predicted_rating
1	1	0.6000	0.5810
2	2	0.8000	0.7669
2	3	0.6000	0.5809
4	1	0.6000	0.5753
4	2	0.3000	0.2989
4	3	0.4000	0.3833