FM二分类隐式训练 (FmRecommBinaryImplicitTrainBatchOp)

Java 类名：com.alibaba.alink.operator.batch.recommendation.FmRecommBinaryImplicitTrainBatchOp

Python 类名：FmRecommBinaryImplicitTrainBatchOp

功能介绍

Fm 隐式推荐是使用Fm算法在推荐场景的一种扩展，用给定user-item pair 及user和item的特征信息，训练一个推荐专用的Fm模型，
用于预测user对item的评分、对user推荐itemlist，或者对item推荐userlist。

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	✓
userCol	User列列名	User列列名	String	✓
initStdev	初始化参数的标准差	初始化参数的标准差	Double			0.05
itemCategoricalFeatureCols	item离散值列名字数组	item离散值列名字数组	String[]			[]
itemFeatureCols	item特征列名字数组	item特征列名字数组	String[]		所选列类型为 [BIGDECIMAL, BIGINTEGER, BYTE, DOUBLE, FLOAT, INTEGER, LONG, SHORT]	[]
lambda0	常数项正则化系数	常数项正则化系数	Double			0.0
lambda1	线性项正则化系数	线性项正则化系数	Double			0.0
lambda2	二次项正则化系数	二次项正则化系数	Double			0.0
learnRate	学习率	学习率	Double			0.01
numEpochs	epoch数	epoch数	Integer			10
numFactor	因子数	因子数	Integer			10
rateCol	打分列列名	打分列列名	String		所选列类型为 [BIGDECIMAL, BIGINTEGER, BYTE, DOUBLE, FLOAT, INTEGER, LONG, SHORT]	null
userCategoricalFeatureCols	用户离散值列名字数组	用户离散值列名字数组	String[]			[]
userFeatureCols	用户特征列名字数组	用户特征列名字数组	String[]		所选列类型为 [BIGDECIMAL, BIGINTEGER, BYTE, DOUBLE, FLOAT, INTEGER, LONG, SHORT]	[]
withIntercept	是否有常数项	是否有常数项，默认true	Boolean			true
withLinearItem	是否含有线性项	是否含有线性项	Boolean			true

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 = FmRecommBinaryImplicitTrainBatchOp()\
    .setUserCol("user")\
    .setItemCol("item")\
    .setNumFactor(20).linkFrom(data);

predictor = FmUsersPerItemRecommBatchOp()\
    .setItemCol("user")\
    .setK(2).setReservedCols(["item"])\
    .setRecommCol("prediction_result");

predictor.linkFrom(model, 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.FmRecommBinaryImplicitTrainBatchOp;
import com.alibaba.alink.operator.batch.recommendation.FmUsersPerItemRecommBatchOp;
import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
import org.junit.Test;

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

public class FmRecommBinaryImplicitTrainBatchOpTest {
	@Test
	public void testFmRecommBinaryImplicitTrainBatchOp() 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 FmRecommBinaryImplicitTrainBatchOp()
			.setUserCol("user")
			.setItemCol("item")
			.setNumFactor(20).linkFrom(data);
		BatchOperator <?> predictor = new FmUsersPerItemRecommBatchOp()
			.setItemCol("user")
			.setK(2).setReservedCols("item")
			.setRecommCol("prediction_result");
		predictor.linkFrom(model, data).print();
	}
}

运行结果

item	prediction_result
1	{“object”:“[1]”,“rate”:“[0.6802429556846619]”}
2	{“object”:“[2]”,“rate”:“[0.6637783646583557]”}
3	{“object”:“[2]”,“rate”:“[0.6637783646583557]”}
1	{“object”:“[]”,“rate”:“[]”}
2	{“object”:“[]”,“rate”:“[]”}
3	{“object”:“[]”,“rate”:“[]”}