①基于用户SparkALS数据源
数据源来自数仓平台，shopcar表记录登录用户购物车及商品信息；collect表记录登录用户收藏记录，收藏类型（1商品 2品牌）；browse表记录登录用户浏览记录，收藏类型（1 商品 2品牌）；订单状态来自主订单表和产品纬度表；浏览和深度浏览来自hbase的growingio_custom_event表
制定用户评分打分规则
浏览1分
深度浏览2分(浏览时间超过30s)
浏览次数1分(超过2次2分)
收藏2分
加购物车3分
下单4分
支付5分
浏览，深度浏览和浏览次数的权重为0.7；收藏，加购物车，下单和支付的权重是0.3。
核心代码如下：
-- 商品详情页面停留时间打分表,数据来源是hbase，此处作映射表拿到数据
INSERT OVERWRITE TABLE bi_dw.growingio_custom_event_staytime
SELECT
t.product_id,
t.loginuserid,
t.stay_time,
CASE WHEN t.stay_time is NULL THEN 0
WHEN t.stay_time=0 THEN 0
WHEN t.stay_time>0 AND t.stay_time<30 THEN 1
ELSE 3
END AS rating
FROM
(SELECT
t.product_id,
t.loginuserid,
CASE WHEN stay_time1 is NULL OR stay_time1='' THEN stay_time2
ELSE stay_time1
END stay_time
FROM
(SELECT
regexp_extract(regexp_extract(t.c11,'(\\"+[0-9]+\\")',0),'([0-9]+)',0)AS product_id,
regexp_extract(t.c12,'([0-9]+)',0)AS loginuserid,
regexp_extract(regexp_extract(t.c11,'\\"+stay_time+\\"+(\\:+\\"+[0-9]+\\")',0),'([0-9]+)',0)AS stay_time1,
regexp_extract(regexp_extract(t.c11,'\\"+stay_time+\\"+(\\:+[0-9]+\\.+[0-9]+)',0),'([0-9]+\\.+[0-9])',0)AS stay_time2
FROM bi_dw.growingio_custom_event t WHERE t.c9='ProductDetailUserStayTime')t
)t
;
-- 用户评分表
set hive.exec.parallel=true;
INSERT OVERWRITE TABLE bi_ads.user_rating
SELECT
t.useridASuser_id,-- 用户id
t.objectidASproduct_id,-- 商品id
((t.rating1 + t.rating2)/2*0.7 + (t.rating3 + t.rating4 + t.rating5)/3*0.3) AS rating,-- 总评分,0.7和0.3是权重
t.time-- 时间
FROM
(SELECT
t1.userid,
t1.objectid,
t1.addtimeAStime,
t1.ratingASrating1,-- 浏览次数评分
t1.view_num,
t2.stay_time,
t3.product_idAS collction,
t6.add_shopcar_num,
CASE WHEN t2.rating is NULL THEN 0
ELSE t2.rating
ENDASrating2,-- 商品详情页面停留时长即浏览时间评分
CASE WHEN t3.rating is NULL THEN 0
ELSE t3.rating
ENDASrating3,-- 收藏评分
CASE WHEN t6.rating4 is NULL THEN 0
ELSE t6.rating4
ENDASrating4,-- 加入购物车评分
CASE WHEN t8.rating is NULL THEN 0
ELSE t8.rating
ENDASrating5-- 订单状态评分
FROM bi_dw.dw_browse t1
LEFT JOIN
-- 商品详情页面停留时长,数据来自hbase中的growingio_custom_event，在dw层做了映射外部表growingio_custom_event_staytime
(SELECT t.loginuseridAS user_id,
t.product_id,
t.stay_time,
t.rating
FROM (
SELECT loginuserid,
product_id,
stay_time,
rating,
ROW_NUMBER() OVER(PARTITION BY loginuserid,product_id ORDER BY cast (stay_time as int) DESC) AS R1
FROM bi_dw.growingio_custom_event_staytime
)t
WHERE t.R1=1 AND t.loginuserid is NOT NULL)t2
ONt1.userid=t2.user_id AND t1.objectid=t2.product_id
LEFT JOIN
-- 收藏评分
(SELECT t3.useridASuser_id,
t3.objectidASproduct_id,
t3.rating
FROM bi_dw.dw_collect t3
)t3
ONt1.userid=t3.user_id AND t1.objectid=t3.product_id
-- 加入购物车评分
LEFT JOIN
(SELECT
t5.user_id,
t5.product_id,
SUM(num)AS add_shopcar_num,
SUM(rating)AS rating4
FROM(SELECT
t4.useridAS user_id,
t5.product_idAS product_id,
t4.sku_id,
t4.num,
t4.rating
FROM bi_dw.dw_shopcar t4
JOIN(SELECT
product_id,
idAS sku_id
FROM bi_dw.dw_product_sku
)t5ON t4.sku_id=t5.sku_id)t5
GROUP BY t5.user_id,t5.product_id)t6ONt1.userid=t6.user_id AND t1.objectid=t6.product_id
LEFT JOIN
-- 订单状态总评分
(SELECT
t8.user_id,
t8.product_id,
SUM(t8.rating)AS rating
FROM
(SELECT
t7.encoding,
t7.user_id,
t8.product_id,
t8.sku_id,
t7.payment_state,
CASE WHEN t7.payment_state='unPaid'
THEN 4
WHEN t7.payment_state='partialPaid'
THEN 4
WHEN t7.payment_state='fullPaid'
THEN 9
ELSE 0 END rating
FROM bi_dws.fact_main_order t7
JOIN
(SELECT
encoding,
user_id,
product_id,
sku_id
FROM bi_dws.fact_order_product WHERE product_id is not NULL AND sku_id is not NULL)t8
ON t7.encoding=t8.encoding AND t7.user_id=t8.user_id
WHERE t7.user_id is not NULL)t8
GROUP BY t8.user_id,
t8.product_id
)t8ONt1.userid=t8.user_id AND t1.objectid=t8.product_id
GROUP BYt1.userid,
t1.objectid,
t1.addtime,
t1.rating,
t1.view_num,
t2.stay_time,
t3.product_id,
t6.add_shopcar_num,
CASE WHEN t2.rating is NULL THEN 0
ELSE t2.rating
END,
CASE WHEN t3.rating is NULL THEN 0
ELSE t3.rating
END,
CASE WHEN t6.rating4 is NULL THEN 0
ELSE t6.rating4
END,
CASE WHEN t8.rating is NULL THEN 0
ELSE t8.rating
END
)t
;
②、基于用户的SparkALS推荐算法
(1) 欧式距离代码：
package com.wozaijia.sparkALS.UserCF;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.mllib.recommendation.MatrixFactorizationModel;
import org.apache.spark.mllib.recommendation.Rating;
import scala.Tuple2;
public class SparkALSRMSE {
/**
* RMSE：均方根误差
* 根据模型mode计算data的平均均方根误差
*/
public static double computeRMSEAverage(MatrixFactorizationModel model, JavaRDD data, long n) {
//map(d -> new Tuple2<>(d.user(),d.product()));
将predictionData预测数据转换成二元组形式，以便训练使用
//通过模型对数据进行预测
JavaRDD jddRat = model.predict(JavaPairRDD.fromJavaRDD(data.map(d -> new Tuple2<>(d.user(), d.product()))));
JavaPairRDD pre = JavaPairRDD.fromJavaRDD(jddRat.map(f -> new Tuple2<>(f.user() + "_" + f.product(), f.rating())));
//原值
JavaPairRDD rea = JavaPairRDD.fromJavaRDD(data.map(f -> new Tuple2<>(f.user() + "_" + f.product(), f.rating())));
//预测值和原值内连接，相当于SQL中的内联
JavaRDD> d = pre.join(rea).values();
//计算方差并返回计算结果
return d.map(f -> Math.pow(f._1 - f._2, 2)).reduce((a, b) -> a + b) / n;
}
}
(2) 训练数据部分代码，全部代码请下载SparkALS项目：https://download.csdn.net/download/qq_37116817/10808543
/**
* 基于用户的SparkALS推荐系统
* 训练
*/
public class SparkALSTrain {
//初始化模型的参数
public static MatrixFactorizationModel bestModel = null;
public static JavaRDD candidates = null;
public static void main(String[] args) {
//设置日志的等级 并关闭jetty容器的日志;
Logger logger = Logger.getLogger(SparkALSTrain.class);
Logger.getLogger("org.apache.spark").setLevel(Level.WARN);
Logger.getLogger("org.apache.eclipse.jetty.server").setLevel(Level.OFF);
//集群模式,默认是集群模式
JavaSparkContext sc = new JavaSparkContext(new SparkConf().setAppName("SparkALS_User"));
//JavaSparkContext sc = new JavaSparkContext(new SparkConf().setAppName("SparkALS_User").setMaster("local[4]"));
//本地模式
/**
* 加载样本数据
* ratings :评分矩阵对应的RDD。需要我们输入。如果是隐式反馈，则是评分矩阵对应的隐式反馈矩阵。
* 所有评分数据，由于此数据要分三部分使用[比例是6:2:2]，60%用于训练，20%用于验证，最后20%用于测试，将时间戳 %10 可以得到近似的10等分，用于三部分数据切分
*/
String productDir = "hdfs地址";
JavaRDD> ratings = sc.textFile(productDir).map(
//-> {} JDK8新特性,lambda表达式,就是匿名函数,匿名内部类等。
line -> {
//以";
"分割
String[] fields = line.split(";
");
if (fields.length != 4) {
throw new IllegalArgumentException("每一行必须有且只有4个元素");
}
//以模10拆分数据，形成新的二元组;
return new Tuple2<>(Long.parseLong(fields[3]) % 10, new Rating(
Integer.parseInt(fields[0]),//用户id
Integer.parseInt(fields[1]),//商品id
Double.parseDouble(fields[2])));
//评分
}
);
logger.info("查看第一条记录" + ratings.first());
logger.info("SparkALS 算法运行过程模型Start………………");
// 统计样本数据中的评分概要
//用户
JavaRDD user = ratings.map(x -> x._2.user()).distinct();
//商品
JavaRDD product = ratings.map(y -> y._2.product()).distinct();
logger.info("总共有" + ratings.count() + "条样本数据;
" + user.count() + "用户;
" + product.count() + "商品");
//装载评分数据，由评分器生成，数据格式为''用于，商品ID，评分'';
String path = "hdfs地址";
JavaRDD data = https://www.it610.com/article/sc.textFile(path);
JavaRDD myRatingsRDD = data.map(s -> {
String[] sarray = s.split(";
");
return new Rating(
Integer.parseInt(sarray[0]),//用户id
Integer.parseInt(sarray[1]),//商品id
Double.parseDouble(sarray[2]));
//评分
});
/**
* 训练
* filter过滤;
union联合 转换操作，它将2个RDD中的每个元素都联合起来，生成1个新的RDD，其效果与SQL中的union相似
*/
//设置分区数
int numPartition = 4;
//用于训练是rating中key=[0-5]的数据,将用户的数据合并到了训练集中
JavaRDD training = ratings.filter(x -> x._1 < 6).map(tupe2 -> tupe2._2).union(myRatingsRDD).repartition(numPartition).cache();
//JavaRDD training = ratings.filter(x -> x._1 < 6).map(tupe2 -> tupe2._2).union(myRatingsRDD).repartition(numPartition).persist(StorageLevel.MEMORY_ONLY());
// 用于校验是rating中key=[6-7]的数据
JavaRDD validation = ratings.filter(x -> x._1 >= 6 && x._1 < 8).map(tupe2 -> tupe2._2).repartition(numPartition).cache();
// 用于测试的是rating中key=[8-9]的数据
JavaRDD test = ratings.filter(x -> x._1 >= 8).map(tupe2 -> tupe2._2).repartition(numPartition).cache();
logger.info("训练数据:" + training.count() + ";
验证数据" + validation.count() + ";
测试数据" + test.count());
/**
* 定义不同的参数。计算均方根误差值，找到均方根误差值最小的模型。即：最优模型
* rank : 矩阵分解时对应的低维的维数，即PTm×kQk×nPm×kTQk×n中的维度k，特征向量纬度，太小拟合不够，误差就很大；如果设置很大，就会导致模型大泛化能力较差，算法运行的时间和占用的内存可能会越多。通常需要进行调参，一般取10-100之间的数。
* iterations :在矩阵分解用交替最小二乘法求解时，进行迭代的最大次数(这个设置的越大肯定是越精确，但是设置的越大也就意味着越耗时)。这个值取决于评分矩阵的维度，以及评分矩阵的系数程度。一般来说5-20次即可，默认值是5。
* lambda: 这个值为FunkSVD分解时对应的正则化系数，主要用于控制模型的拟合程度，增强模型泛化能力，取值越大，则正则化惩罚越，一般0-100调参。
*/
List ranks = Arrays.asList(8, 10, 12);
//特征向量纬度系数
List lambdas = Arrays.asList(2.5, 0.1, 5.1);
//模型拟合系数
List numIters = Arrays.asList(10, 15, 20);
//矩阵分解用交替最小二乘法求解时，迭代次数double bestValidationRmse = Double.MAX_VALUE;
int bestRank = 0;
double bestLambda = -1.0;
int bestNumIter = -1;
/**
* 三层for循环，计算均方根误差值，找到均方根差值最小的模型，即最优模型
*/
for (int i = 0;
i < ranks.size();
i++) {
for (int j = 0;
j < lambdas.size();
j++) {
for (int k = 0;
k < numIters.size();
k++) {
//训练获得模型
MatrixFactorizationModel model = ALS.train(JavaRDD.toRDD(training), ranks.get(i), numIters.get(k), lambdas.get(j));
//通过校验集validation获取方差，以便查看此模型的好坏，方法方法定义在最下面
double validationRmse = SparkALSRMSE.computeRMSEAverage(model, validation, validation.count());
//logger.info("RMSE均方差误差验证=====>" + validationRmse);
if (validationRmse < bestValidationRmse) {
bestModel = model;
bestValidationRmse = validationRmse;
bestRank = ranks.get(i);
bestLambda = lambdas.get(j);
bestNumIter = numIters.get(k);
}
}
}
}
//用得到的最好模型参数去验证test数据集，并求方差值
double testRmse = SparkALSRMSE.computeRMSEAverage(bestModel, test, test.count());
logger.info("用户特征向量总和=" + bestModel.userFeatures().count() + ";
商品特征向量总和=" + bestModel.productFeatures().count());
logger.info("最优模型的特征向量纬度 = " + bestRank + ";
模型拟合系数 = " + bestLambda + ";
迭代次数 = " + bestNumIter + ";
均方差误差 = " + testRmse + ".");
}
}
③全部代码请下载SparkALS项目：https://download.csdn.net/download/qq_37116817/10808543
项目中的代码都有详细的注释，非常容易看懂，并且项目中包含测试数据100万条。
【基于用户SparkALS推荐系统】
推荐阅读
- 人工智能|干货！人体姿态估计与运动预测
- Python专栏|数据分析的常规流程
- 读书笔记|《白话大数据和机器学习》学习笔记1
- 网络|一文彻底搞懂前端监控
- html5|各行业工资单出炉 IT类连续多年霸占“榜首”位置
- 人工智能|【机器学习】深度盘点（详细介绍 Python 中的 7 种交叉验证方法！）
- 网络|简单聊聊压缩网络
- 数据库|效率最高的Excel数据导入---（c#调用SSIS Package将数据库数据导入到Excel文件中【附源代码下载】）...
- r语言|手把手（R语言文本挖掘和词云可视化实践）
- 腾讯|SaaS的收入模型有哪些（终于有人讲明白了）