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

功能介绍

Swing 是一种被广泛使用的item召回算法，算法详细介绍可以参考SwingTrainBatchOp组件。
该组件为Swing的批处理预测组件，输入为 SwingTrainBatchOp 输出的模型和要预测的item列。

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 | ✓ | | |

| initRecommCol | 初始推荐列列名 | 初始推荐列列名 | String | | 所选列类型为 [M_TABLE] | null |

| k | 推荐TOP数量 | 推荐TOP数量 | Integer | | | 10 |

| 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 |

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.       ["a1", "11L", 2.2],
  9.       ["a1", "12L", 2.0],
  10.       ["a2", "11L", 2.0],
  11.       ["a2", "12L", 2.0],
  12.       ["a3", "12L", 2.0],
  13.       ["a3", "13L", 2.0],
  14.       ["a4", "13L", 2.0],
  15.       ["a4", "14L", 2.0],
  16.       ["a5", "14L", 2.0],
  17.       ["a5", "15L", 2.0],
  18.       ["a6", "15L", 2.0],
  19.       ["a6", "16L", 2.0],
  20. ])
  22. data = BatchOperator.fromDataframe(df_data, schemaStr='user string, item string, rating double')
  24. model = SwingTrainBatchOp()\
  25.     .setUserCol("user")\
  26.     .setItemCol("item")\
  27.     .linkFrom(data)
  29. predictor = SwingRecommBatchOp()\
  30.     .setItemCol("item")\
  31.     .setRecommCol("prediction_result")
  33. 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.SwingRecommBatchOp;
  5. import com.alibaba.alink.operator.batch.recommendation.SwingTrainBatchOp;
  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 SwingRecommBatchOpTest {
  13.     @Test
  14.     public void testSwingRecommBatchOp() throws Exception {
  15.         List <Row> df_data = Arrays.asList(
  16.             Row.of("a1", "11L", 2.2),
  17.             Row.of("a1", "12L", 2.0),
  18.             Row.of("a2", "11L", 2.0),
  19.             Row.of("a2", "12L", 2.0),
  20.             Row.of("a3", "12L", 2.0),
  21.             Row.of("a3", "13L", 2.0),
  22.             Row.of("a4", "13L", 2.0),
  23.             Row.of("a4", "14L", 2.0),
  24.             Row.of("a5", "14L", 2.0),
  25.             Row.of("a5", "15L", 2.0),
  26.             Row.of("a6", "15L", 2.0),
  27.             Row.of("a6", "16L", 2.0)
  28.         );
  29.         BatchOperator <?> data = new MemSourceBatchOp(df_data, "user string, item string, rating double");
  30.         BatchOperator <?> model = new SwingTrainBatchOp()
  31.             .setUserCol("user")
  32.             .setItemCol("item")
  33.             .linkFrom(data);
  34.         BatchOperator <?> predictor = new SwingRecommBatchOp()
  35.             .setItemCol("item")
  36.             .setRecommCol("prediction_result");
  37.         predictor.linkFrom(model, data).print();
  38.     }
  39. }

运行结果

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

| a1 | 11L | 2.2000 | {“item”:”[“12L”]”,”score”:”[0.12805642187595367]”} |

| a1 | 12L | 2.0000 | {“item”:”[“11L”]”,”score”:”[0.11662912368774414]”} |

| a2 | 11L | 2.0000 | {“item”:”[“12L”]”,”score”:”[0.12805642187595367]”} |

| a2 | 12L | 2.0000 | {“item”:”[“11L”]”,”score”:”[0.11662912368774414]”} |

| a3 | 12L | 2.0000 | {“item”:”[“11L”]”,”score”:”[0.11662912368774414]”} |

| a3 | 13L | 2.0000 | null |

| a4 | 13L | 2.0000 | null |

| a4 | 14L | 2.0000 | null |

| a5 | 14L | 2.0000 | null |

| a5 | 15L | 2.0000 | null |

| a6 | 15L | 2.0000 | null |

| a6 | 16L | 2.0000 | null |