spark基于用户的协同过滤算法与坑点，提交job

承接上文：

http://blog.csdn.net/wangqi880/article/details/52875524

对了，每台机子的防火墙要关闭哈，不然spark集群启动不起来

前一次，已经把spark的分布式集群布置好了，今天写一个简单的案例来运行。会写一些关于spark的推荐的东西，这里主要有4点，1基于用户协同过滤，2基于物品协同过滤，3基于模型的协同过滤，4基于关联规则的推荐（fp_growth），只写核心代码啊。

基于spark用户协同过滤算法的实现

1用户协同过滤算法

1.1含义

它是统计计算搜索目标用户的相似用户，并根据相似用户对物品的打分来预测目标用户对指定物品的评分，一般选择topn选择相似度较高的相似用户做推荐结果。

从这句话，我们可以看出UserBase推荐算法主要有3个工作要做：1用户相似度量，2最近邻居查找，3预测评分。

具体百度查

1.2相似性距离

这里直接使用cos距离了，cos距离是通过向量间的cos夹角来度量相似性，如果是在同一个方向增长，那么相似性是不会变得。公式如下：

1.3样本数据如下：

1,1,5.0
1,2,1.0
1,3,5.0
1,4,1.0
2,1,5.0
2,2,1.0
2,3,5.0
2,4,1.0
3,1,1.0
3,2,5.0
3,3,1.0
3,4,5.0
4,1,1.0
4,2,5.0
4,3,1.0

2Spark代码如下：

package org.wq.scala.ml

import org.apache.spark.mllib.linalg.distributed._
import org.apache.spark.{SparkConf, SparkContext}

/**
* Created by Administrator on 2016/10/20.
*/
object UserBaseTest {
def main(args:Array[String]): Unit = {

val conf = new SparkConf().setAppName("UserBaseModel").setMaster("local").set("spark.sql.warehouse.dir","E:/ideaWorkspace/ScalaSparkMl/spark-warehouse")
val sc = new SparkContext(conf)

//test.data是用户_物品_评分样本，且用户为Int，物品为int型
val data = sc.textFile("data/mllib/test.data")
val parseData= data.map(_.split(",") match {case Array(user,item,rate)=>MatrixEntry(user.toLong-1,item.toLong-1,rate.toDouble)})
/*parseData.collect().map(x=>{
println(x.i+"->"+x.j+"->"+x.value)
})*/
//coordinateMatrix是专门保存user_item_rating这种数据样本的
println("ratings:")
val ratings = new CoordinateMatrix(parseData)
ratings.entries.collect().map(x=>{
println(x.i+","+x.j+","+x.value)
})

//把CoordinateMatrix转换成RowMatrix计算两个用户之间的cos相似性，且行表示用户，列表示物品
//RowMatrix的方法，columnSimilarities是计算，列与列的相似度，现在是user_item_rating，需要转置(transpose)成item_user_rating,这样才是用户的相似

//toRowMatrix()之后，物品的顺序不是从小到大排序的，但是相似度是Ok的
val matrix= ratings.transpose().toRowMatrix()

println("toRowMatrix之后的结果：")
matrix.rows.collect().map(x=>{
x.toArray.map(x=>{print(x+",")})
println("")
})

val similarities = matrix.columnSimilarities()
//相似性是对的
println("相似性")
similarities.entries.collect().map(x=>{

println(x.i+"->"+x.j+"->"+x.value)
})

/*
similarities.entries.filter(_.i==0).sortBy(_.value,false).collect().map(x=>{
println(x.i+"->"+x.j+"->"+x.value)
})*/

//计算用户1对物品1的评分，预测结果为，用户1的评价分+其他相似用户对其的加权平均值，相似度为权重
// val ratingOfUser1 = ratings.toRowMatrix().rows.collect()(3).toArray ,这个就是数字不能代表user的下标
// toRowMatrix()好像有点问题
val ratingOfUser1 = ratings.entries.filter(_.i==0).map(x=>{(x.j,x.value)}).sortBy(_._1).collect().map(_._2).toList.toArray

val avgRatingOfUser1 = ratingOfUser1.sum/ratingOfUser1.size
//println(avgRatingOfUser1)

//计算其他用户对物品1的加权平均值,matrix是物品_用户_评分
//matrix的一行，就是物品的所有用户评分,drop(1)表示删除自己的评分哈
//matrix的(n)不能表示用户的下标啊

val ratingsToItem1=matrix.rows.collect()(0).toArray.drop(1)
//ratingsToItem1.map(x=>print(x))

//权重_.i==0选择第一个用户,sortBy(_.j)表示根据用户的下标作为Key，value降序（value越大，表示相似度越高），所以，越前相似度越高
val weights =similarities.entries.filter(_.i==0).sortBy(_.j).map(_.value).collect()
//val weights =similarities.entries.filter(_.i==0).sortBy(_.value,false).map(_.value).collect()

//(0 to 2)表示从0到2，默认步长1，这里表示，去top2相似的用户作为预测用户评分，真实情况，topn太少了哈
//sum(权重*用户评分)/sum(weights)
var weightedR  = (0 to 2).map(t=>weights(t) * ratingsToItem1(t)).sum/weights.sum

//把平均值+top2相似用户的加权平均值
println("rating of uses1 to item1 is "+(avgRatingOfUser1))
println("rating of uses1 to item1 is "+(weightedR))
println("rating of uses1 to item1 is "+(avgRatingOfUser1+weightedR))

}

}

代码有注释哈，应该都可以看得懂，主要就是计算相似读，计算用户1给item1的评分，这里评分的计算为：用户均值+topn用户的加权平均值，权重为相似性。

3坑点

1测试了300w多w记录，用户估计20w，物品大500，windows单机环境16g内存，配置2g的xxm，跑了1个小时都没有出来，速度太慢了，当然也跟机子配置有关，直接停了。

2中间的转成行矩阵的方法恶心，toRowMatrix()，就是这个方法。因为，使用这个方法之后，矩阵的用户的标号顺序都变了，不知道怎么判断，标号和用户号都不一样了。举个例子大家就知道了，都可以试试：

//下面程序的结果，这个结果是ok的。
//用户_物品_打分
val ratings = new CoordinateMatrix(parseData)
ratings.entries.collect().map(x=>{
println("ratings=>"+x.i+"->"+x.j+"->"+x.value)
})

运行的结果，和原始的样本一样的：

0,0,5.0
0,1,1.0
0,2,5.0
0,3,1.0
1,0,5.0
1,1,1.0
1,2,5.0
1,3,1.0
2,0,1.0
2,1,5.0
2,2,1.0
2,3,5.0
3,0,1.0
3,1,5.0
3,2,1.0

但是做了下面的转换成行矩阵的做法之后：

下面是做了transpose().toRowRamtrix的结果
ratings.toRowMatrix().rows.collect().map(x=>{
println()
x.toArray.map(t=>{
println(t+",")
})
})

5.0,5.0,1.0,1.0,
1.0,1.0,5.0,5.0,
1.0,1.0,5.0,0.0,
5.0,5.0,1.0,1.0,

matrix的遍历方式为map，还不能输入用户id查找，恶心，用户2的打分用户3的打分反了，人工对比上下两个数据就知道了。

但是只能使用遍历方式，遍历matrix，我怎么知道这条记录是哪个用户的。

不过我人工计算了和程序计算的相似度是差不多的，相似度应该是OK的，这里也跪求大神指点疑问？

//程序计算相似度
2->3->0.7205766921228921
0->1->1.0000000000000002
1->2->0.3846153846153847
0->3->0.4003203845127179
1->3->0.4003203845127179
0->2->0.3846153846153847

4把jar提交到spark集群运行

4.1打包方式

我使用的是idea,使用ctrl+alt+shift+s,

4.2运行jar与注意事项

使用rz上传到centos中，shh工具或者其他工具都是可以，自己喜欢就好，

注意要保证数据文件在每个节点上都有哈

我的目录结构为（三台机器都要一样哈）：

运行jar目录：/home/jar/



运行jar的数据目录为：/home/jar/data



jar与数据都好了之后，保证spark集群运行哈，然后输入命令运行我们的jar.

spark-submit  --class org.wq.scala.ml.UserBase --master spark://master:7077 --executor-memory 1g --num-executors 1  /home/jar/UserBaseSpark.jar /home/jar/data/test.data

运行成功如图：

4.3注意事项

1保证你的数据文件在节点中都有，不然汇报错误：



2保证你提交的job，设置的运行内存没有超过你自己在spark-env.sh中的内存，不然要报如下警告，资源不足，程序挂起，不能运行下去：



关于toRowMatrix()方法的疑问，求解大神解析。

有时间也会看源码研究下，

下一篇文章会写基于物品的协同过滤。

如果想做真实基于Spark的推荐，个人建议使用基于模型的与预计关联规则的推荐