8732浏览
查看: 8732|回复: 5

[进阶] 推荐机器学习算法实战~

[复制链接]
自从Amazone公布了协同过滤算法后,在推荐系统领域,它就占据了很重要的地位。不像传统的内容推荐,协同过滤不需要考虑物品的属性问题,用户的行为,行业问题等,只需要建立用户与物品的关联关系即可,可以物品之间更多的内在关系,类似于经典的啤酒与尿不湿的营销案例。所以,讲到推荐必须要首先分享协同过滤。下面代码实战基于sparkMLlib ASL 算法实战
  • package com.gizwits.mllib
  • import org.apache.log4j._
  • import org.apache.spark.mllib.recommendation._
  • import org.apache.spark.rdd.RDD
  • import org.apache.spark.{SparkConf, SparkContext}
  • /**
  •   * Created by feel
  •   *
  •   * moivelens 电影推荐  协同过滤算法实现电影推荐.目前spark 实现的算法有(交替最小二乘法(ALS))
  •   * 数据下载:http://grouplens.org/datasets/movielens/
  •   *
  •   */
  • object MoiveRecommenderALS {
  •   /**
  •     *
  •     * @param input            电影评分数据
  •     * @param numIterations    迭代的次数
  •     * @param lambda           ALS的正则化参数。
  •     * @param rank             模型中隐语义因子的个数。
  •     * @param numUserBlocks    用于并行化计算的分块个数 (设置为-1为自动配置)。
  •     * @param numProductBlocks 用于并行化计算的分块个数 (设置为-1为自动配置)。
  •     * @param implicitPrefs    决定了是用显性反馈ALS的版本还是用适用隐性反馈数据集的版本
  •     * @param userDataInput    用户数据输入
  •     */
  •   case class Params(
  •                      input: String = null,
  •                      numIterations: Int = 20,
  •                      lambda: Double = 1.0,
  •                      rank: Int = 10,
  •                      numUserBlocks: Int = -1,
  •                      numProductBlocks: Int = -1,
  •                      implicitPrefs: Boolean = false,
  •                      userDataInput: String = null)
  •   val numRecommender = 10
  •   def main(args: Array[String]) {
  •     //  设置日志级别
  •     val rootLogger = Logger.getRootLogger()
  •     Logger.getLogger("com.gizwits").setLevel(Level.ERROR)
  •     rootLogger.setLevel(Level.ERROR)
  •     val conf = new SparkConf()
  •       .setAppName("MoiveRecommenderALS")
  •     conf.setMaster("local[4]")
  •     val context = new SparkContext(conf)
  •     val inputDataPath = "file:///Users/feel/githome/idea/spark-exercise/src/main/resources/u.data"
  •     val userInputPath = "file:///Users/feel/githome/idea/spark-exercise/src/main/resources/u.user"
  •     //可以调整这些参数,不断优化结果,使均方差变小。比如iterations越多,lambda较小,均方差会较小,推荐结果较优
  •     val defaultParams = Params(
  •       inputDataPath, 20, 0.01, 10, -1, -1, false, userInputPath
  •     )
  •     //加载数据
  •     val data = context.textFile(inputDataPath)
  •     /**
  •       * *MovieLens ratings are on a scale of 1-5:
  •       * 5: Must see
  •       * 4: Will enjoy
  •       * 3: It's okay
  •       * 2: Fairly bad
  •       * 1: Awful
  •       */
  •     val ratings = data.map(_.split("\t") match {
  •       case Array(user, item, rate, time) => Rating(user.toInt, item.toInt, rate.toDouble)
  •     })
  •     //使用ALS建立推荐模型
  •     //也可以使用简单模式    val model = ALS.train(ratings, ranking, numIterations)
  •     val model = new ALS()
  •       .setRank(defaultParams.rank)
  •       .setIterations(defaultParams.numIterations)
  •       .setLambda(defaultParams.lambda)
  •       .setImplicitPrefs(defaultParams.implicitPrefs)
  •       .setUserBlocks(defaultParams.numUserBlocks)
  •       .setProductBlocks(defaultParams.numProductBlocks)
  •       .run(ratings)
  •     //预测
  •     predictMoive(defaultParams, context, model)
  •     //模型评估
  •     evaluateMode(ratings, model)
  •     //clean up
  •     context.stop()
  •     //end  main
  •   }
  •   /**
  •     * 模型评估
  •     */
  •   private def evaluateMode(ratings: RDD[Rating], model: MatrixFactorizationModel) {
  •     //使用训练数据训练模型
  •     val usersProducets = ratings.map(r => r match {
  •       case Rating(user, product, rate) => (user, product)
  •     })
  •     //预测数据
  •     val predictions = model.predict(usersProducets).map(u => u match {
  •       case Rating(user, product, rate) => ((user, product), rate)
  •     })
  •     //将真实分数与预测分数进行合并
  •     val ratesAndPreds = ratings.map(r => r match {
  •       case Rating(user, product, rate) =>
  •         ((user, product), rate)
  •     }).join(predictions)
  •     //计算均方差
  •     val MSE = ratesAndPreds.map(r => r match {
  •       case ((user, product), (r1, r2)) =>
  •         val err = (r1 - r2)
  •         err * err
  •     }).mean()
  •     //打印出均方差值
  •     println("Mean Squared Error = " + MSE)
  •   }
  •   /**
  •     * 预测数据并保存到HBase中或其他存储引擎
  •     */
  •   private def predictMoive(params: Params, context: SparkContext, model: MatrixFactorizationModel) {
  •     val recommenders = new scala.collection.mutable.ArrayBuffer[scala.collection.mutable.HashMap[String, String]]();
  •     //读取需要进行电影推荐的用户数据
  •     val userData = context.textFile(params.userDataInput)
  •     userData.map(_.split("\\|") match {
  •       case Array(id, age, sex, job, x) => (id)
  •     }).collect().foreach(id => {
  •       //为用户推荐电影
  •       val rs = model.recommendProducts(id.toInt, numRecommender)
  •       var value = ""
  •       var key = 0
  •       //保存推荐数据到hbase中
  •       rs.foreach(r => {
  •         key = r.user
  •         value = value + r.product + ":" + r.rating + ","
  •       })
  •       //成功,则封装put对象,等待插入到Hbase中
  •       if (!value.equals("")) {
  •         val put = new scala.collection.mutable.HashMap[String, String]
  •         put += ("rowKey" -> key.toString)
  •         put += ("t:info" -> value)
  •         recommenders.+=(put)
  •       }
  •     })
  •     recommenders.foreach(println _)
  •   }
  • }


[color=rgb(0, 0, 0) !important]复制代码



iooops  中级技匠 来自手机

发表于 2016-4-6 13:46:17

看不懂………………
回复

使用道具 举报

Readface  初级技师
 楼主|

发表于 2016-4-6 18:04:01

iooops 发表于 2016-4-6 13:46
看不懂………………

敢问阁下是学习那一领域的呢/
:)
回复

使用道具 举报

iooops  中级技匠

发表于 2016-4-6 21:34:43

Readface 发表于 2016-4-6 18:04
敢问阁下是学习那一领域的呢/

是学音乐的呢:)
回复

使用道具 举报

dsweiliang  初级技神

发表于 2016-4-7 08:26:03

不明觉厉
回复

使用道具 举报

MoonShine  高级技匠

发表于 2016-10-14 16:08:08

评分模型,虽然还看不懂,不过赞一下
回复

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

为本项目制作心愿单
购买心愿单
心愿单 编辑
[[wsData.name]]

硬件清单

  • [[d.name]]
btnicon
我也要做!
点击进入购买页面
上海智位机器人股份有限公司 沪ICP备09038501号-4

© 2013-2024 Comsenz Inc. Powered by Discuz! X3.4 Licensed

mail