深究KNIME分析平台上的节点是如何实现推荐原理的

kinme节点推荐分为社区推荐和服务器推荐,社区推荐即为官方hub，网址https://hub.knime.com/，这个是knime官方存储节点和流程库的，里面也会时常更新。
社区推荐就根据很多使用社区里面节点的频率。服务器推荐是knime-server上存储的节点，我们在KAP分析平台上可以通过knime-serve的api直接连接到服务器上，可以下载服务器上的节点到KAP分析平台上，它就根据用户在服务上使用的节点频率进行节点推荐，但它推荐的节点只是服务器本地resposity里面现有的节点。
Workspace推荐代码
源码有这么一段话
Frequency of how often the nodes were used in the workflows of your workspace.
在工作区的工作流中使用节点的频率。

这部分代码是获取节点频率的

    return NodeFrequencies.from(Files.newInputStream(WORKSPACE_NODE_TRIPLES_JSON_FILE)).getFrequencies().stream();

worksapce的节点使用率存在了一个名为workspace_recommendations.json的json文件内，每次更新最自动根据KNIME的工作空间(D:\Users\nn\knime-workspace.metadata\knime)路径找到这个文件，并对其更新，在KAP平台上拖动节点，work coach会自动根据最新的json数据来进行节点推荐。

static {
    PREFS = new ScopedPreferenceStore(InstanceScope.INSTANCE, FrameworkUtil.getBundle(WorkspaceTripleProvider.class).getSymbolicName());
    WORKSPACE_NODE_TRIPLES_JSON_FILE = Paths.get(KNIMEConstants.getKNIMEHomeDir(), "workspace_recommendations.json");
}

community推荐机制代码

CommunityTripleProvider.java

//
// Source code recreated from a .class file by IntelliJ IDEA
// (powered by Fernflower decompiler)
//

package org.knime.workbench.workflowcoach.data;

import java.util.Collections;
import java.util.List;
import org.eclipse.core.runtime.preferences.InstanceScope;
import org.eclipse.ui.preferences.ScopedPreferenceStore;
import org.osgi.framework.FrameworkUtil;

public class CommunityTripleProvider extends AbstractFileDownloadTripleProvider {
    private static final ScopedPreferenceStore PREFS;

    static {
        PREFS = new ScopedPreferenceStore(InstanceScope.INSTANCE, FrameworkUtil.getBundle(CommunityTripleProvider.class).getSymbolicName());
    }

    public CommunityTripleProvider() {
        super("https://update.knime.com/community_recommendations.json", "community_recommendations.json");
    }

    public String getName() {
        return "Community";
    }

    public String getDescription() {
        return "Frequency of how often the KNIME community used this node.";
    }

    public boolean isEnabled() {
        return PREFS.getBoolean("community_node_triple_provider");
    }

    public static final class Factory implements NodeTripleProviderFactory {
        public Factory() {
        }

        public List<NodeTripleProvider> createProviders() {
            return Collections.singletonList(new CommunityTripleProvider());
        }

        public String getPreferencePageID() {
            return "org.knime.workbench.workflowcoach";
        }
    }
}

上面代码社区的推荐代码，可以看到推荐的原理是我们请求一个url，这个url返回一个json数据，这个数据是最近社区一些节点的使用频率

 private static void fillRecommendationsMap(Map<String, List<NodeRecommendationManager.NodeRecommendation>> recommendationMap, NodeTriple nf) {
        if (!nf.getNode().isPresent() && !nf.getPredecessor().isPresent() && isSourceNode(nf.getSuccessor())) {
            add(recommendationMap, "<source_nodes>", nf.getSuccessor(), nf.getCount());
        }

        if (!nf.getPredecessor().isPresent() && nf.getNode().isPresent() && isSourceNode((NodeInfo)nf.getNode().get())) {
            add(recommendationMap, "<source_nodes>", (NodeInfo)nf.getNode().get(), nf.getCount());
        }

        if (nf.getNode().isPresent()) {
            add(recommendationMap, getKey((NodeInfo)nf.getNode().get()), nf.getSuccessor(), nf.getCount());
        }

        if (nf.getPredecessor().isPresent() && nf.getNode().isPresent()) {
            add(recommendationMap, getKey((NodeInfo)nf.getPredecessor().get()) + "#" + getKey((NodeInfo)nf.getNode().get()), nf.getSuccessor(), nf.getCount());
        }

    }

实验

这里我新建一个流程，其中Data Generator为社区的节点，其功能为数字生成器，Test是我自己自定义开发的节点，其功能是可以调整数据保留几位小数。后面两个分别是画直线图和散点图。

一开始我把在eclipse上自定义开发的节点达成jar包放到knime安装目录下的dropin目录下，这样打开KNIME分析平台就可以看到这个节点了。但是当选中此节点时，此时的workflow coach没有任何推荐的节点，我们执行这个流程并保存。
打开workflow coach配置，点击更新，此时会下载更新一个名为workspace_recommendations.json。里面存储了当前工作区每个节点使用的频率。

可以看到Test节点的前驱为Data Generator,后继为Scatter Plot和Line Plot
此时再查看workflow coach

可以看出Scatter Plot和Line Plot分别为50%，同理社区的节点推荐元也是如此，不过这个每次更新都能远程下载一个节点使用频率的json文件，还有在工作区上，分析平台时如何监视节点的，并算出频率的，这些问题还有待研究。