SparkMlib之协同过滤案例实战

推荐药品

1. 以下是用户的数据信息，数据集的数据格式是：lable是表示用户类型（1-4），后面是特征值表示药品类型（10-20）和疗效（0-5）。20条数据集如下，

1 11 2
1 12 3
1 13 1
1 14 0
1 15 1
2 11 1
2 12 2
2 15 1
2 14 3
2 11 1
2 13 5
2 12 1
3 17 4
3 12 2
3 15 1
3 14 3
3 11 1
3 13 5
4 12 1
4 13 2
4 12 2
4 15 1
4 14 3
4 11 1
4 13 2
4 12 1
4 14 4

1. 对如上数据集进行转换，将数据集转化为专用Rating，调用recommendProducts函数进行推荐，代码实现如下：

import org.apache.spark._
import org.apache.spark.mllib.recommendation.{ALS, Rating}
object CF {
  def main(args: Array[String]) {
    val conf = new SparkConf().setMaster("local").setAppName("CF ") //设置环境变量
    val sc = new SparkContext(conf)                                 //实例化环境
    val data = sc.textFile("c://cf.txt")        //设置数据集
    val ratings = data.map(_.split(' ') match {       //处理数据
      case Array(user, item, rate) =>        //将数据集转化
        Rating(user.toInt, item.toInt, rate.toDouble)     //将数据集转化为专用Rating
    })
    val rank = 2           //设置隐藏因子
    val numIterations = 2           //设置迭代次数
    val model = ALS.train(ratings, rank, numIterations, 0.01)    //进行模型训练
    var rs = model.recommendProducts(2,2)       //为用户2推荐一个药品
    rs.foreach(println)           //打印结果
  }
}