持续创作，加速成长！这是我参与「掘金日新计划 · 6 月更文挑战」的第13天，点击查看活动详情
1、前言
上一篇为大家介绍了开发前的基本准备，本次就为大家分享下在实际开发中遇到的一些问题以及总结。
2、代码结构
主要内容就是recommender、service包下，对Mahout进行了二次封装。
3、推荐接口
定义好统一的推荐接口，方便管理。后续再引入其他推荐算法是，需要先实现此接口。
/**
* @Title: RecommenderService
* @Description: 推荐接口
*/
public interface RecommenderService {
/**
* 推荐固定条数
* @param userId
* @return
* @throws TasteException
*/
RecommendResult recommend(final long userId) throws TasteException;
/**
* 推荐 recommendNum 条数据
* @param userId
* @param recommendNum
* @return
* @throws TasteException
*/
RecommendResult recommend(final long userId, final int recommendNum) throws TasteException;
/**
* 刷新推荐队列
* @param userId
* @return
* @throws TasteException
*/
void recommendData(long userId) throws TasteException;
/**
* 计算评分
* @return
* @throws TasteException
*/
double evaluateScore() throws TasteException;
/**
* 计算评分
* @param recommenderBuilder 推荐构造器
* @param dataModel 数据模型
* @param trainingPercentage 训练百分比
* @param evaluationPercentage 评估百分比
* @return
* @throws TasteException
*/
double evaluateScore(RecommenderBuilder recommenderBuilder, DataModel dataModel,
double trainingPercentage, double evaluationPercentage) throws TasteException;
/**
* 计算查全率、查准率等
* @return
* @throws TasteException
*/
IRStatistics evaluateIRStatistics() throws TasteException;
/**
* 计算查全率和查准率
* @param recommenderBuilder 推荐算法构造器
* @param dataModel 数据模型
* @param rescorer 如果有的话，在计算推荐时使用
* @param at 如，“精确度为5”。评估精度时要考虑的建议数量，
* @param relevanceThreshold 优先值至少为该值的项目被认为是“相关的”用于计算的目的
* @param evaluationPercentage 评估百分比
* @return
* @throws TasteException
*/
IRStatistics evaluateIRStatistics(RecommenderBuilder recommenderBuilder,
DataModel dataModel,
IDRescorer rescorer,
int at,
double relevanceThreshold,
double evaluationPercentage) throws TasteException;
}
4、抽象推荐Service
定义的抽象Service主要是将通用的方法在抽象类里实现，避免代码冗余。
/**
* @Title: AbstractRecommenderService
* @Description: 推荐抽象类
*/
@Service
public abstract class AbstractRecommenderService {
protected AbstractRecommender recommender;
@Resource
private RecommendUtil RecommendUtil;
public RecommendResult recommend(final long userId) throws TasteException {
//默认推荐1条数据
return recommend(userId, NumericConstant.ONE);
}
public RecommendResult recommend(long userId, int recommendNum) throws TasteException {
if (userId <= 0 || recommendNum <= 0) {
return null;
}
RecommendResult result = new RecommendResult();
result.setUserId(userId);
//根据long值的userId转换成zshy__common_info_id
result.setZshy__common_info_id(RecommendUtil.getCommonInfoId(userId));
//填充推荐数据
List<RecommendContentPO> data = recommendByCF(userId, recommendNum);
result.setRecommendContents(data);
return result;
}
/**
* 获取推荐结果
* @param userId
* @param recommendNum
* @return
* @throws TasteException
*/
protected List<RecommendContentPO> recommendByCF(final long userId, final int recommendNum) throws TasteException {
List<RecommendedItem> recommendData = recommender.recommend(userId, recommendNum);
if (CollectionUtils.isEmpty(recommendData)) {
return null;
}
//转换数据
List<RecommendContentPO> resList = recommendData.stream().map(item-> {
MongoUserBehavior userBehavior = RecommendUtil.getUserBehaviorByBehaviorId(item.getItemID());
RecommendContentPO recommendContentPO = new RecommendContentPO(item.getItemID(),
userBehavior.getBehavior_object_id(), userBehavior.getBehavior_object_type(), userBehavior.getScore());
return recommendContentPO;
}).collect(Collectors.toList());
return resList;
}
/**
* 计算评分
* @return
* @throws TasteException
*/
public double evaluateScore() throws TasteException {
return recommender.evaluateScore();
}
/**
* 计算评分
* @param recommenderBuilder 推荐构造器
* @param dataModel 数据模型
* @param trainingPercentage 训练百分比
* @param evaluationPercentage 评估百分比
* @return
* @throws TasteException
*/
public double evaluateScore(RecommenderBuilder recommenderBuilder,
DataModel dataModel,
double trainingPercentage,
double evaluationPercentage) throws TasteException {
return recommender.evaluateScore(recommenderBuilder, dataModel, trainingPercentage, evaluationPercentage);
}
/**
* 计算查全率，召回率等
* @return
* @throws TasteException
*/
public IRStatistics evaluateIRStatistics() throws TasteException {
return recommender.evaluateIRStatistics();
}
/**
* 计算查全率和查准率
* @param recommenderBuilder 推荐算法构造器
* @param dataModel 数据模型
* @param rescorer 如果有的话，在计算推荐时使用
* @param at 如，“精确度为5”。评估精度时要考虑的建议数量，
* @param relevanceThreshold 优先值至少为该值的项目被认为是“相关的”用于计算的目的
* @param evaluationPercentage 评估百分比
* @return
* @throws TasteException
*/
public IRStatistics evaluateIRStatistics(RecommenderBuilder recommenderBuilder,
DataModel dataModel,
IDRescorer rescorer,
int at,
double relevanceThreshold,
double evaluationPercentage) throws TasteException {
return recommender.evaluateIRStatistics(recommenderBuilder, dataModel, rescorer, at, relevanceThreshold,
evaluationPercentage);
}
}
5、基于物品推荐Service实现类
可以看到，封装了抽象推荐类后，具体的推荐实现impl非常的简洁，同时后期扩展也很方便。
/**
* @Title: ItemBasedCFRecommenderServiceImpl
* @Description: 基于物品的协同过滤推荐
*/
@Slf4j
@Service(value = "ItemBasedCFRecommenderServiceImpl")
public class ItemBasedCFRecommenderServiceImpl extends AbstractRecommenderService implements RecommenderService {
@Resource
private DataModel dataModel;
@Resource
private WriteRecContentsMapper writeRecContentsMapper;
@PostConstruct
public void init() throws TasteException {
recommender = new ItemBasedCfRecommender(dataModel);
}
@Override
@Async(value = AsyncNameConstant.RECOMMEND)
public void recommendData(long userId) {
try{
if (recommender == null){
synchronized (ItemBasedCFRecommenderServiceImpl.class){
if (recommender == null){
recommender = new ItemBasedCfRecommender(dataModel);
}
}
}
//获取推荐数据
RecommendResult recommendResult = recommend(userId);
recommendResult.setRecommend_type(RecommendTypeEnum.ITEM_BASED.getCode());
if (!CollectionUtils.isEmpty(recommendResult.getRecommendContents())) {
//入库
writeRecContentsMapper.insertRecContents(recommendResult);
}else {
log.info("根据用户推荐-未获取到推荐结果，用户ID：{}", userId);
}
}catch (Exception e) {
log.error("根据物品推荐出错，错误信息：{}，用户ID：{}", e.getMessage(), userId, e);
}
}
}
好了、本期就先介绍到这里，有什么需要交流的，大家可以随时私信我。😊
