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”:”[]”} |