Java 类名：com.alibaba.alink.operator.stream.recommendation.SwingRecommStreamOp
Python 类名：SwingRecommStreamOp

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的流处理预测组件，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
itemColItem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Integer10
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Integer1
modelStreamFilePath模型流的文件路径模型流的文件路径Stringnull
modelStreamScanInterval扫描模型路径的时间间隔描模型路径的时间间隔，单位秒Integer10
modelStreamStartTime模型流的起始时间模型流的起始时间。默认从当前时刻开始读。使用yyyy-mm-dd hh:mm:ss.fffffffff格式，详见Timestamp.valueOf(String s)Stringnull

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 SwingRecommStreamOpTest {
  13.     @Test
  14.     public void testSwingRecommStreamOp() 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
a6 15L 2.0000 null
a4 13L 2.0000 null
a6 16L 2.0000 null
a5 14L 2.0000 null
a3 13L 2.0000 null
a1 12L 2.0000 {“item”:”[“11L”]”,”score”:”[0.11662912368774414]”}
a2 12L 2.0000 {“item”:”[“11L”]”,”score”:”[0.11662912368774414]”}
a1 11L 2.2000 {“item”:”[“12L”]”,”score”:”[0.12805642187595367]”}
a3 12L 2.0000 {“item”:”[“11L”]”,”score”:”[0.11662912368774414]”}
a4 14L 2.0000 null
a5 15L 2.0000 null
a2 11L 2.0000 {“item”:”[“12L”]”,”score”:”[0.12805642187595367]”}