该文档涉及的组件

FM:ItemsPerUser推荐 (FmItemsPerUserRecommender)

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

Python 类名:FmItemsPerUserRecommender

功能介绍

使用Fm推荐模型,为user推荐item 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
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, STRING] 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

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')

model = FmRecommTrainBatchOp()\
    .setUserCol("user")\
    .setItemCol("item")\
    .setNumFactor(20)\
    .setRateCol("rating").linkFrom(data);

rec = FmItemsPerUserRecommender()\
    .setUserCol("user")\
    .setK(1).setReservedCols(["user"])\
    .setRecommCol("prediction_result")\
    .setModelData(model);

rec.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.FmRecommTrainBatchOp;
import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
import com.alibaba.alink.pipeline.recommendation.FmItemsPerUserRecommender;
import org.junit.Test;

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

public class FmItemsPerUserRecommenderTest {
	@Test
	public void testFmItemsPerUserRecommender() 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 <?> model = new FmRecommTrainBatchOp()
			.setUserCol("user")
			.setItemCol("item")
			.setNumFactor(20)
			.setRateCol("rating").linkFrom(data);
		FmItemsPerUserRecommender rec = new FmItemsPerUserRecommender()
			.setUserCol("user")
			.setK(1).setReservedCols("user")
			.setRecommCol("prediction_result")
			.setModelData(model);
		rec.transform(data).print();
	}
}

运行结果

user prediction_result
1 {“object”:“[1]”,“rate”:“[0.5829579830169678]”}
2 {“object”:“[2]”,“rate”:“[0.576914370059967]”}
2 {“object”:“[2]”,“rate”:“[0.576914370059967]”}
4 {“object”:“[1]”,“rate”:“[0.5055253505706787]”}
4 {“object”:“[1]”,“rate”:“[0.5055253505706787]”}
4 {“object”:“[1]”,“rate”:“[0.5055253505706787]”}