基于flink的协同过滤

Posted 2022-09-10

最近flink较火，尝试使用flink做推荐功能试试，说干就干，话说flink-ml确实比较水，包含的算法较少，且只支持scala版本，以至flink1.9已经将flink-ml移除，看来是准备有大动作，但后期的实时推荐，flink能派上大用场。所幸基于物品的协同过滤算法相对简单，实现起来难度不大。先看目前推荐整体的架构。

先说一下用到的相似算法：
X=（x1, x2, x3, … xn），Y=（y1, y2, y3, … yn）
那么欧式距离为：

很明显，值越大，相似性越差，如果两者完全相同，那么距离为0。

第一步准备数据，数据的格式如下：

actionObject 是房屋的编号，actionType是用户的行为，包括曝光未点击，点击，收藏等。

下面的代码是从hdfs中获取数据，并将view事件的数据清除，其他的行为转化为分数

public static DataSet<Tuple2<Tuple2<String, String>, Float>> getData(ExecutionEnvironment env, String path) 
        DataSet<Tuple2<Tuple2<String, String>, Float>> res= env.readTextFile(path).map(new MapFunction<String, Tuple2<Tuple2<String, String>, Float>> ()

            @Override
            public Tuple2<Tuple2<String, String>, Float> map(String value) throws Exception 
                    JSONObject jj=JSON.parseObject(value);
                    if(RecommendUtils.getValidAction(jj.getString("actionType")))                      
                        return new Tuple2<>(new Tuple2<>(jj.getString("userId"),jj.getString("actionObject")),RecommendUtils.getScore(jj.getString("actionType")));                 
                    else 
                        return null;
                    

                   
            ).filter(new FilterFunction<Tuple2<Tuple2<String, String>, Float>>()
                @Override
                public boolean filter(Tuple2<Tuple2<String, String>, Float> value) throws Exception            
                    return value!=null;
                       
            );

           return res;
    

数据经过简单的清洗后变成如下的格式

按照前两列聚合，

groupBy(0).reduce(new ReduceFunction<Tuple2<Tuple2<String, String>, Float>>()  

                @Override
                public Tuple2<Tuple2<String, String>, Float> reduce(Tuple2<Tuple2<String, String>, Float> value1,
                        Tuple2<Tuple2<String, String>, Float> value2) throws Exception 
                    // TODO Auto-generated method stub
                    return new Tuple2<>(new Tuple2<>(value1.f0.f0, value1.f0.f1),(value1.f1+value2.f1)); 
                

            )

结构变成

此时，理论上BJCY56167779_03，BJCY56167779_04 的相似度为 (4-3) ^2+(5-2) ^2, 再开方，继续前进。

去掉第一列，格式如下

因为：
(x1-y1)^2+(x2-y2)^2=x1^2+y1^2-2x1y1+x2^2+y2^2-2x2y2=x1^2+y1^2+x2^2+y2^2-2(x1y1+x2y2)， 所以我们先求x1^2+x2^2的值，并注册为item表

.map(new MapFunction<Tuple2<String, Float>, Tuple2<String, Float>>() 
                @Override
                public Tuple2<String, Float> map(Tuple2<String, Float> value) throws Exception 
                    return new Tuple2<>(value.f0, value.f1*value.f1);
                  
            ).
groupBy(0).reduce(new ReduceFunction<Tuple2<String, Float>>()

                @Override
                public Tuple2<String, Float> reduce(Tuple2<String, Float> value1, Tuple2<String, Float> value2)
                        throws Exception 
                     Tuple2<String, Float> temp= new Tuple2<>(value1.f0, value1.f1 +  value2.f1);
                     return temp;
                

).map(new MapFunction<Tuple2<String, Float>, ItemDTO> ()

                @Override
                public ItemDTO map(Tuple2<String, Float> value) throws Exception 
                    ItemDTO nd=new ItemDTO();
                    nd.setItemId(value.f0);
                    nd.setScore(value.f1);
                    return nd;
                

); 

tableEnv.registerDataSet("item", itemdto); // 注册表信息

经过上面的转化，前半部分的值已经求出，下面要求出(x1y1+x2y2)的值

将上面的原始table再次转一下，变成下面的格式

代码如下：

.map(new MapFunction<Tuple2<String,List<Tuple2<String,Float>>>, List<Tuple2<Tuple2<String, String>, Float>>>() 

                @Override
                public List<Tuple2<Tuple2<String, String>, Float>> map(Tuple2<String,List<Tuple2<String,Float>>> value) throws Exception 
                    List<Tuple2<String, Float>> ll= value.f1;                   
                    List<Tuple2<Tuple2<String, String>, Float>> list = new ArrayList<>();
                    for (int i = 0; i < ll.size(); i++) 
                        for (int j = 0; j < ll.size(); j++) 
                            list.add(new Tuple2<>(new Tuple2<>(ll.get(i).f0, ll.get(j).f0),
                                    ll.get(i).f1 * ll.get(j).f1));
                        
                    
                    return list;        
                

            )

tableEnv.registerDataSet("item_relation", itemRelation); // 注册表信息

下面就是将整个公式连起来，完成最后的计算。

Table similarity=tableEnv.sqlQuery("select ta.firstItem,ta.secondItem,"
        + "(sqrt(tb.score + tc.score - 2 * ta.relationScore)) as similarScore from item tb " +
        "inner join item_relation ta  on tb.itemId = ta.firstItem and ta.firstItem <> ta.secondItem "+
        "inner join item tc on tc.itemId = ta.secondItem "          
        );

DataSet<ItemSimilarDTO> ds=tableEnv.toDataSet(similarity, ItemSimilarDTO.class);

现在结构变成

感觉离终点不远了，上述结构依然不是我们想要的，我们希望结构更加清晰，如下格式

代码如下：

DataSet<RedisDataModel> redisResult= ds.map(new MapFunction<ItemSimilarDTO, Tuple2<String, Tuple2<String, Float>>> ()

            @Override
            public Tuple2<String, Tuple2<String, Float>> map(ItemSimilarDTO value) throws Exception                
                return new Tuple2<String, Tuple2<String, Float>>(value.getFirstItem(), new Tuple2<>(value.getSecondItem(), value.getSimilarScore().floatValue()));
            
        ).groupBy(0).reduceGroup(new GroupReduceFunction<Tuple2<String, Tuple2<String, Float>> , Tuple2<String, List<RoomModel>>>()  

            @Override
            public void reduce(Iterable<Tuple2<String, Tuple2<String, Float>>> values,
                    Collector<Tuple2<String, List<RoomModel>>> out) throws Exception 

                List<RoomModel> list=new ArrayList<>();
                String key=null;
                for (Tuple2<String, Tuple2<String, Float>> t : values) 
                    key=t.f0;
                    RoomModel rm=new RoomModel();
                    rm.setRoomCode(t.f1.f0);
                    rm.setScore(t.f1.f1);
                    list.add(rm);
                       

                //升序排序
                Collections.sort(list,new Comparator<RoomModel>()
                    @Override
                    public int compare(RoomModel o1, RoomModel o2)                                             
                        return o1.getScore().compareTo(o2.getScore());                      
                    
                 );

                out.collect(new Tuple2<>(key,list));            
            

        ).map(new MapFunction<Tuple2<String, List<RoomModel>>, RedisDataModel>()

            @Override
            public RedisDataModel map(Tuple2<String, List<RoomModel>> value) throws Exception 
                RedisDataModel m=new RedisDataModel();
                m.setExpire(-1); 
                m.setKey(JobConstants.REDIS_FLINK_ITEMCF_KEY_PREFIX+value.f0);      
                m.setGlobal(true);
                m.setValue(JSON.toJSONString(value.f1));
                return m;
            

        );

最终将这些数据存入redis中，方便查询

RedisOutputFormat redisOutput = RedisOutputFormat.buildRedisOutputFormat()
                    .setHostMaster(AppConfig.getProperty(JobConstants.REDIS_HOST_MASTER))
                    .setHostSentinel(AppConfig.getProperty(JobConstants.REDIS_HOST_SENTINELS))
                    .setMaxIdle(Integer.parseInt(AppConfig.getProperty(JobConstants.REDIS_MAXIDLE)))
                    .setMaxTotal(Integer.parseInt(AppConfig.getProperty(JobConstants.REDIS_MAXTOTAL))) 
                    .setMaxWaitMillis(Integer.parseInt(AppConfig.getProperty(JobConstants.REDIS_MAXWAITMILLIS)))
                    .setTestOnBorrow(Boolean.parseBoolean(AppConfig.getProperty(JobConstants.REDIS_TESTONBORROW)))
                    .finish();   
            redisResult.output(redisOutput);

            env.execute("itemcf");

大功告成，其实没有想象中的那么难。当然这里只是一个demo，实际情况还要进行数据过滤，多表join优化等。