概述

“协同过滤-Item-based”节点用于推荐场景，它通过用户和物品之间的关系计算物品之间的相似度。

输入

参数	子参数	参数说明
inputs	dataframe	inputs为字典类型，dataframe为pyspark中的DataFrame类型对象。里面存放的为用户和item之间的记录

输出

参数	子参数	参数说明
outputs	output_port_1	协同过滤的推荐结果

参数说明

参数	是否必选	参数说明	默认值
user_col	是	用户id所在的列名	“user”
item_col	是	项目id所在的列名	“item”
output_table_partition	是	数据的并行度	0.5
similarity_type	是	相似度计算公式，取值为cosine，jaccard	“cosine”
topn	是	最近的n个物品	200
min_user_behavior	是	最小的用户行为数量，取值为[0,+∞）	2
max_user_behavior	是	最多的用户行为数量，取值为[0,+∞）	500
item_delimiter	是	物品之间的分隔符	” “
kv_delimiter	是	物品内部的分隔符	“:”

样例

数据样本

输入数据：

user,item,click
1,1,1
1,2,1
1,5,1
1,7,1
2,2,1
2,6,1
2,9,1
3,4,1
3,5,1
3,7,1
3,9,1
4,2,1
5,3,1
6,6,1
6,8,1
6,9,1
7,4,1
7,5,1
8,1,1
8,3,1
8,4,1
9,5,1
9,8,1

配置流程

运行流程

算法参数设置

查看结果

item,similarity
7,5:0.7071067811865475 1:0.49999999999999994 2:0.49999999999999994 9:0.408248290463863 4:0.408248290463863
3,1:0.7071067811865475 4:0.5773502691896258
8,6:0.49999999999999994 9:0.408248290463863 5:0.35355339059327373
5,7:0.7071067811865475 4:0.5773502691896258 8:0.35355339059327373 1:0.35355339059327373 2:0.35355339059327373 9:0.2886751345948129
6,9:0.816496580927726 8:0.49999999999999994 2:0.49999999999999994
9,6:0.816496580927726 7:0.408248290463863 8:0.408248290463863 2:0.408248290463863 4:0.33333333333333337 5:0.2886751345948129
1,3:0.7071067811865475 7:0.49999999999999994 2:0.49999999999999994 4:0.408248290463863 5:0.35355339059327373
4,3:0.5773502691896258 5:0.5773502691896258 7:0.408248290463863 1:0.408248290463863 9:0.33333333333333337
2,7:0.49999999999999994 6:0.49999999999999994 1:0.49999999999999994 9:0.408248290463863 5:0.35355339059327373

父主题： 推荐

同意关联代理商云淘科技，购买华为云产品更优惠（QQ 78315851）

内容没看懂？ 不太想学习？想快速解决？ 有偿解决： 联系专家