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

功能介绍

ItemCF 是一种被广泛使用的推荐算法，用给定打分数据训练一个推荐模型，
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 | ✓ | | |

| maxNeighborNumber | 保存相似item的数目 | 保存相似item的数目，该参数设置后将降低内存使用量，同时可能会降低训练速度 | Integer | | | 64 |

| 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 |

| similarityThreshold | 相似阈值 | 只有大于该阈值的Object才会被计算 | Double | | | 1.0E-4 |

| similarityType | 距离度量方式 | 聚类使用的距离类型 | String | | “COSINE”, “JACCARD”, “PEARSON” | “COSINE” |

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 = ItemCfTrainBatchOp()\
  19.     .setUserCol("user")\
  20.     .setItemCol("item")\
  21.     .setRateCol("rating").linkFrom(data);
  23. predictor = ItemCfRateRecommBatchOp()\
  24.     .setUserCol("user")\
  25.     .setItemCol("item")\
  26.     .setRecommCol("prediction_result");
  28. 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.ItemCfRateRecommBatchOp;
  5. import com.alibaba.alink.operator.batch.recommendation.ItemCfTrainBatchOp;
  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 ItemCfTrainBatchOpTest {
  13.     @Test
  14.     public void testItemCfTrainBatchOp() 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 ItemCfTrainBatchOp()
  25.             .setUserCol("user")
  26.             .setItemCol("item")
  27.             .setRateCol("rating").linkFrom(data);
  28.         BatchOperator <?> predictor = new ItemCfRateRecommBatchOp()
  29.             .setUserCol("user")
  30.             .setItemCol("item")
  31.             .setRecommCol("prediction_result");
  32.         predictor.linkFrom(model, data).print();
  33.     }
  34. }

运行结果

| user | item | rating | prediction_result | | —- | —- | —- | —- |

| 1 | 1 | 0.6000 | 0.0000 |

| 2 | 2 | 0.8000 | 0.6000 |

| 2 | 3 | 0.6000 | 0.8000 |

| 4 | 1 | 0.6000 | 0.3612 |

| 4 | 2 | 0.3000 | 0.4406 |

| 4 | 3 | 0.4000 | 0.3861 |