Java 类名：com.alibaba.alink.operator.batch.recommendation.FmRecommTrainBatchOp
Python 类名：FmRecommTrainBatchOp

功能介绍

Fm 推荐是使用Fm算法在推荐场景的一种扩展，用给定打分数据及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 | ✓ | | |

| 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] | |

| 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 |

| 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

  1. from pyalink.alink import *
  3. import pandas as pd
  5. useLocalEnv(1)
  7. df_data = pd.DataFrame([
  8.     [1, 1, 0.6],
  9.     [2, 2, 0.8],
  10.     [2, 3, 0.6],
  11.     [4, 1, 0.6],
  12.     [4, 2, 0.3],
  13.     [4, 3, 0.4],
  14. ])
  16. data = BatchOperator.fromDataframe(df_data, schemaStr='user bigint, item bigint, rating double')
  18. model = FmRecommTrainBatchOp()\
  19.     .setUserCol("user")\
  20.     .setItemCol("item")\
  21.     .setNumFactor(20)\
  22.     .setRateCol("rating").linkFrom(data);
  24. predictor = FmRateRecommBatchOp()\
  25.     .setUserCol("user")\
  26.     .setItemCol("item")\
  27.     .setRecommCol("prediction_result");
  29. predictor.linkFrom(model, data).print()

Java 代码

  1. import org.apache.flink.types.Row;
  3. import com.alibaba.alink.operator.batch.BatchOperator;
  4. import com.alibaba.alink.operator.batch.recommendation.FmRateRecommBatchOp;
  5. import com.alibaba.alink.operator.batch.recommendation.FmRecommTrainBatchOp;
  6. import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
  7. import org.junit.Test;
  9. import java.util.Arrays;
  10. import java.util.List;
  12. public class FmRecommTrainBatchOpTest {
  13.     @Test
  14.     public void testFmRecommTrainBatchOp() throws Exception {
  15.         List <Row> df_data = Arrays.asList(
  16.             Row.of(1, 1, 0.6),
  17.             Row.of(2, 2, 0.8),
  18.             Row.of(2, 3, 0.6),
  19.             Row.of(4, 1, 0.6),
  20.             Row.of(4, 2, 0.3),
  21.             Row.of(4, 3, 0.4)
  22.         );
  23.         BatchOperator <?> data = new MemSourceBatchOp(df_data, "user int, item int, rating double");
  24.         BatchOperator <?> model = new FmRecommTrainBatchOp()
  25.             .setUserCol("user")
  26.             .setItemCol("item")
  27.             .setNumFactor(20)
  28.             .setRateCol("rating").linkFrom(data);
  29.         BatchOperator <?> predictor = new FmRateRecommBatchOp()
  30.             .setUserCol("user")
  31.             .setItemCol("item")
  32.             .setRecommCol("prediction_result");
  33.         predictor.linkFrom(model, data).print();
  34.     }
  35. }

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 |