FM：打分推荐 (FmRateRecommender)

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

Python 类名：FmRateRecommender

功能介绍

Fm 推荐打分是使用Fm推荐模型，预测user对item的评分。

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')

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

fmRate = FmRateRecommender()\
    .setUserCol("user")\
    .setItemCol("item")\
    .setRecommCol("prediction_result")\
    .setModelData(model)

fmRate.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.FmRateRecommender;
import org.junit.Test;

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

public class FmRateRecommenderTest {
	@Test
	public void testFmRateRecommender() 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);
		FmRateRecommender fmRate = new FmRateRecommender()
			.setUserCol("user")
			.setItemCol("item")
			.setRecommCol("prediction_result")
			.setModelData(model);
		fmRate.transform(data).print();
	}
}

运行结果

user	item	rating	prediction_result
1	1	0.6	0.582958
2	2	0.8	0.576914
2	3	0.6	0.508942
4	1	0.6	0.505525
4	2	0.3	0.372908
4	3	0.4	0.347927