依托spark平台完成的电影推荐系统，上代码：
后续有对该程序的参数校调：参数校调程序
该程序应用到的数据：数据
如上述数据找不到，请到群内下载数据：624108656
package als
import org.apache.log4j.{Level, Logger}
import org.apache.spark.mllib.recommendation.{ALS,MatrixFactorizationModel, Rating}
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
/.*
* Created by Weipengfei on 2017/5/3 0003.
* ALS过滤算法
*/
object Recommend {
def main(args: Array[String]) {
println("====================数据准备阶段=====================")
SetLogger
val (ratings,movieTitle)=PrepareData()
println("====================训练阶段=====================")
print("开始使用"+ratings.count().toString+"条评比数据进行训练模型.....")
val model=ALS.train(ratings ,10,5,0.01)
println("训练完成！")
println("====================推荐阶段=====================")
recommend(model,movieTitle)
}
/.*
*针对用户推荐电影
* @parammodel 训练好的ALS模型
* @parammovieTitle 电影id与名字的对应表
* @paraminputUserId 用户id
*/
def RecommendMovies(model:MatrixFactorizationModel, movieTitle:Map[Int,String], inputUserId:Int): Unit ={
val recommendMovie=model.recommendProducts(inputUserId,10)//获取针对inputUserId推荐前十部电影
println("针对用户id："+inputUserId+" 推荐下列电影：")
var i=1
recommendMovie.foreach{
movie=>println(i.toString+"."+movieTitle(movie.product.toInt)+"评分："+movie.rating.toString)
i+=1
}
}
/.*
*针对电影推荐给用户
* @parammodel 训练好的ALS模型
* @parammovieTitle 电影id与名字的对应表
* @paraminputMovieId 电影id
*/
def RecommendUsers(model:MatrixFactorizationModel, movieTitle: Map[Int, String],inputMovieId: Int): Unit ={
val recommendUser=model.recommendUsers(inputMovieId,10)//获取针对inputMovieId推荐前十名用户
println("针对电影id："+inputMovieId+" 推荐下列用户id：")
var i=1
recommendUser.foreach{
u=>println(i.toString+".用户id："+u.user+" 评分："+u.rating)
i+=1
}
}
/.*
*实行具体推荐
* @parammodel 训练好的推荐模型
* @parammovieTitle 电影id与名字的对应表
*/
def recommend(model:MatrixFactorizationModel,movieTitle:Map[Int,String]): Unit ={
var choose=""
while(choose!= "3"){
print("请选择要推荐类型 1.针对用户推荐电影 2.针对电影推荐给感兴趣的用户 3.离开？")
choose=readLine()
if(choose=="1"){
print("请输入用户id？")
val inputUserId=readLine()
RecommendMovies(model,movieTitle,inputUserId.toInt)
}else if(choose=="2"){
print("请输入电影的id？")
val inputMovieId=readLine()
RecommendUsers(model,movieTitle,inputMovieId.toInt)
}
}
}
/.*
*设置日志及乱七八糟的配置
*/
def SetLogger: Unit ={
System.setProperty("hadoop.home.dir","E:\\John\\hadoop-2.7.3")
Logger.getLogger("org").setLevel(Level.OFF)
Logger.getLogger("com").setLevel(Level.OFF)
System.setProperty("spark.ui.showConsoleProgress","false")
Logger.getRootLogger.setLevel(Level.OFF)
}
/.*
* 数据准备
* @return（RDD[Rating[Int] (用户id，电影id，评分)，电影id与名称的对照表）
*/
defPrepareData():(RDD[Rating],Map[Int,String])={
val sc=newSparkContext(newSparkConf().setAppName("Recommend").setMaster("local[2]").set("spark.testing.memory","21474800000"))
//创建用户评分数据
print("开始读取用户评分数据中...")
val rawUserData=sc.textFile("hdfs://v100:8020//weipengfei//data//u.data")
val rawRatings=rawUserData.map(_.split("\t").take(3))
val ratingsRDD=rawRatings.map{
caseArray(user,movie,rating) => Rating( user.toInt,movie.toInt,rating.toFloat)
}
println("共计："+ratingsRDD.count().toString+"条评分")
//创建电影ID和名称对应表
print("开始读取电影数据中...")
val itemRDD=sc.textFile("hdfs://v100:8020//weipengfei//data//u.item")
val moiveTitle=itemRDD.map(_.split("\\|").take(2)).map(array=>(array(0).toInt,array(1))).collect().toMap
//显示数据记录数
val numRatings=ratingsRDD.count()
val numUser=ratingsRDD.map(_.user).distinct().count()
val numMoive=ratingsRDD.map(_.product).distinct().count()
println("共计：评分"+numRatings+"条 用户"+numUser+"个电影"+numMoive+"个")
(ratingsRDD,moiveTitle)
}
}