隐语义模型推荐系统（基于用户的协同过滤推荐算法代码）

项目采用ALS作为协同过滤算法，根据MongoDB中的用户评分表计算离线的用户商品推荐列表以及商品相似度矩阵。

基于用户的协同过滤推荐算法代码

通过ALS训练出来的Model来计算所有当前用户商品的推荐列表，主要思路如下：

1. userId和productId做笛卡尔积，产生（userId，productId）的元组

2. 通过模型预测（userId，productId）对应的评分。

3. 将预测结果通过预测分值进行排序。

4. 返回分值最大的K个商品，作为当前用户的推荐列表。

最后生成的数据结构如下：将数据保存到MongoDB的UserRecs表中

新建recommender的子项目OfflineRecommender，引入spark、scala、mongo和jblas的依赖：

<dependencies>    <dependency>        <groupId>org.scalanlp</groupId>        <artifactId>jblas</artifactId>        <version>${jblas.version}</version>    </dependency>    <!-- Spark的依赖引入 -->    <dependency>        <groupId>org.apache.spark</groupId>        <artifactId>spark-core_2.11</artifactId>    </dependency>    <dependency>        <groupId>org.apache.spark</groupId>        <artifactId>spark-sql_2.11</artifactId>    </dependency>    <dependency>        <groupId>org.apache.spark</groupId>        <artifactId>spark-mllib_2.11</artifactId>    </dependency>    <!-- 引入Scala -->    <dependency>        <groupId>org.scala-lang</groupId>        <artifactId>scala-library</artifactId>    </dependency>    <!-- 加入MongoDB的驱动 -->    <!-- 用于代码方式连接MongoDB -->    <dependency>        <groupId>org.mongodb</groupId>        <artifactId>casbah-core_2.11</artifactId>        <version>${casbah.version}</version>    </dependency>    <!-- 用于Spark和MongoDB的对接 -->    <dependency>        <groupId>org.mongodb.spark</groupId>        <artifactId>mongo-spark-connector_2.11</artifactId>        <version>${mongodb-spark.version}</version>    </dependency></dependencies>

同样经过前期的构建样例类、声明配置、创建SparkSession等步骤，可以加载数据开始计算模型了。

核心代码如下：

case class ProductRating(userId: Int, productId: Int, score: Double, timestamp: Int)case class MongoConfig(uri:String, db:String)// 标准推荐对象，productId,scorecase class Recommendation(productId: Int, score:Double)// 用户推荐列表case class UserRecs(userId: Int, recs: Seq[Recommendation])// 商品相似度（商品推荐）case class ProductRecs(productId: Int, recs: Seq[Recommendation])object OfflineRecommmeder {  // 定义常量  val MONGODB_RATING_COLLECTION = "Rating"    // 推荐表的名称  val USER_RECS = "UserRecs"  val PRODUCT_RECS = "ProductRecs"  val USER_MAX_RECOMMENDATION = 20  def main(args: Array[String]): Unit = {    // 定义配置    val config = Map(      "spark.cores" -> "local[*]",      "mongo.uri" -> "mongodb://localhost:27017/recommender",      "mongo.db" -> "recommender"    )        // 创建spark session    val sparkConf = new SparkConf().setMaster(config("spark.cores")).setAppName("OfflineRecommender")    val spark = SparkSession.builder().config(sparkConf).getOrCreate()    implicit val mongoConfig = MongoConfig(config("mongo.uri"),config("mongo.db"))    import spark.implicits._//读取mongoDB中的业务数据val ratingRDD = spark.read.option("uri",mongoConfig.uri).option("collection",MONGODB_RATING_COLLECTION).format("com.mongodb.spark.sql").load().as[ProductRating].rdd.map(rating=> (rating.userId, rating.productId, rating.score)).cache()//用户的数据集 RDD[Int]val userRDD = ratingRDD.map(_._1).distinct()val prodcutRDD = ratingRDD.map(_._2).distinct() //创建训练数据集val trainData = ratingRDD.map(x => Rating(x._1,x._2,x._3))// rank 是模型中隐语义因子的个数, iterations 是迭代的次数, lambda 是ALS的正则化参val (rank,iterations,lambda) = (50, 5, 0.01)//调用ALS算法训练隐语义模型val model = ALS.train(trainData,rank,iterations,lambda)//计算用户推荐矩阵val userProducts = userRDD.cartesian(productRDD)// model已训练好，把id传进去就可以得到预测评分列表RDD[Rating] (userId,productId,rating)val preRatings = model.predict(userProducts)val userRecs = preRatings.filter(_.rating > 0).map(rating => (rating.user,(rating.product, rating.rating))).groupByKey()   .map{case (userId,recs) => UserRecs(userId,recs.toList.sortWith(_._2 >_._2).take(USER_MAX_RECOMMENDATION).map(x => Recommendation(x._1,x._2)))}.toDF()userRecs.write.option("uri",mongoConfig.uri).option("collection",USER_RECS).mode("overwrite").format("com.mongodb.spark.sql").save() //TODO：计算商品相似度矩阵 // 关闭sparkspark.stop()}}

上面就是小居数码小编今天给大家介绍的关于（基于用户的协同过滤推荐算法代码）的全部内容，希望可以帮助到你，想了解更多关于数码知识的问题，欢迎关注我们，并收藏，转发，分享。

94%的朋友还想知道的：

• 短网址的原理和实现（短网址生成算法）
• c语言选择排序算法流程图（c语言选择排序算法代码）
• zip压缩方法（zip压缩算法原理）
• java数据结构和算法解析特点（Java数据结构和算法含义）

（529）个朋友认为回复得到帮助。