Spark ALS推荐系统用户ID非整数的解决思路

1.背景描述：

日志中用户ID一般都是非整数的字符串，在使用Spark ALS做推荐时，ALS的train函数的第一个参数是Rating。而Rating的第一个参数userID是Int型，故要使用Rating来做训练数据集，就要将用户ID字符串映射成Int型。

2.解决思路：

Spark的RDD自带方法zipWithUniqueId可以将RDD中元素和一个唯一ID组合成键/值对。

3.原理阐释：

每个分区中第一个元素的唯一ID值为：该分区索引号，每个分区中第N个元素的唯一ID值为：(前一个元素的唯一ID值) + (该RDD总的分区数)。

4.应用实例：

scala> var rdd = sc.makeRDD(Seq("A","B","C","D","E","F"),2)
rdd1: org.apache.spark.rdd.RDD[String] = ParallelCollectionRDD[44] at makeRDD at :21

scala> rdd.zipWithUniqueId().collect
res32: Array[(String, Long)] = Array((A,0), (B,2), (C,4), (D,1), (E,3), (F,5))
//总分区数为2
//第一个分区第一个元素ID为0，第二个分区第一个元素ID为1
//第一个分区第二个元素ID为0+2=2，第一个分区第三个元素ID为2+2=4
//第二个分区第二个元素ID为1+2=3，第二个分区第三个元素ID为3+2=5

将Array的第二个Long参数用toInt函数转换为Int，再用toMap函数将rdd转换为Map[String,Int]即可。由于key和value都是唯一的，故可构建一个反转的Map，value当做key，key当做value。这个Map是为了将userID还原成原字符串。