基于Spark Mllib，SparkSQL的电影推荐系统

本文测试的Spark版本是1.3.1

本文将在Spark集群上搭建一个简单的小型的电影推荐系统，以为之后的完整项目做铺垫和知识积累

整个系统的工作流程描述如下：
1.某电影网站拥有可观的电影资源和用户数，通过各个用户对各个电影的评分，汇总得到了海量的用户-电影-评分数据
2.我在一个电影网站上看了几部电影，并都为其做了评分操作（0-5分）
3.该电影网站的推荐系统根据我对那几部电影的评分，要预测出在该网站的电影资源库中，有哪些电影是适合我的，并推荐给我看
4.根据我的观影习惯和用户的一个个人信息，预测该网站用户库中，哪些人和我的兴趣爱好是差不多的，并推荐给我认识

使用到的数据集有4个：

test.dat（我的评分数据），格式如下：
0-我的用户Id::电影Id::对该电影的评分::评分的时间戳

users.dat（用户数据），格式如下：
用户Id::性别::年龄::工作类型::ZIP-CODE

movies.dat（电影资源数据），格式如下：
电影Id::电影名::电影类型

ratings.dat（用户-电影-评分数据），格式如下：
用户Id::电影Id::该用户对该电影的评分
（这个数据集中不包含我的评分数据，也就是用户Id为0的数据）

推荐系统数据集下载地址

大概拥有6000+个用户，3800+部电影，100多万的评分数据
具体的数据格式请看完整数据集中的README，其中有详细介绍
下载数据集之后注意检查一下有没有漏空的行，如果有请删除它，因为它会在读取数据的时候产生异常

在开始动手之前，最好先理清一下思路，之后再进行coding会有所向睥睨的一种感觉~

在本系统中，我们要使用的是ALS算法来做协同过滤
该算法建立模型需要一个训练数据集

那么，首先我们要明确的是
1.ALS算法要拿什么样的数据进行训练？
2.训练之后得到的模型要对什么样的数据进行预测？
3.预测之后的数据是什么样子的？

训练数据集很明显就是ratings.dat，因为这是用户-电影-评分数据
但是，单单ratings.dat是不够的，为什么？
因为在本系统中，功能很简单，只对一个用户（也就是我，用户Id为0）进行电影推荐，但是ratings.dat中并没有包含我的评分数据，没有我的评分数据，算法怎么能根据我的喜好来推荐电影呢？
所以作为训练的数据应该是ratings.dat+test.dat

ALS算法根据这些数据，来训练出一个模型
之后就可以使用这个模型对电影列表中，我没看过的电影进行预测打分，在从中筛选出10个评分最高的电影推荐

so，得到答案：
1.训练数据集是ratings.dat+test.dat
2.要进行预测的是movies.dat-我已经看过的那些电影
3.模型的预测结果就是，一个带评分的movies列表（该评分是针对我而言）

当然，上面描述的是系统的一个主线任务，还有一些其他的支线任务如：计算方差啊，打印输出啊，我们看代码说话~

关于在Mllib中协同过滤算法的基本使用，请先看：
Spark（十一） – Mllib API编程 线性回归、KMeans、协同过滤演示

废话不说，上代码：

为了方便理解数据的格式和意义，规定变量/常量名命名方式如下：
数据名_数据类型

object MoviesRecommond { def main(args: Array[String]) { if (args.length < 2) { System.err.println("Usage : <master> <hdfs dir path>") System.exit(1) } //屏蔽日志，由于结果是打印在控制台上的，为了方便查看结果，将spark日志输出关掉 Logger.getLogger("org.apache.spark").setLevel(Level.WARN) Logger.getLogger("org.eclipse.jetty.server").setLevel(Level.OFF) //创建入口对象 val conf = new SparkConf().setMaster(args(0)).setAppName("Collaborative Filtering") val sc = new SparkContext(conf) //评分训练总数据集，元组格式 val ratingsList_Tuple = sc.textFile(args(1) + "/ratings.dat").map { lines => val fields = lines.split("::") (fields(0).toInt, fields(1).toInt, fields(2).toDouble, fields(3).toLong % 10)//这里将timespan这列对10做取余操作，这样一来个评分数据的这一列都是一个0-9的数字，做什么用？接着看下面 } //评分训练总数据集，模拟键值对形式，键是0-9中的一个数字，值是Rating类型 val ratingsTrain_KV = ratingsList_Tuple.map(x => (x._4, Rating(x._1, x._2, x._3))) //打印出从ratings.dat中，我们从多少个用户和电影之中得到了多少条评分记录 println("get " + ratingsTrain_KV.count() + " ratings from " + ratingsTrain_KV.map(_._2.user).distinct().count() + "users on " + ratingsTrain_KV.map(_._2.product).distinct().count() + "movies") //我的评分数据，RDD[Rating]格式 val myRatedData_Rating = sc.textFile(args(2)).map { lines => val fields = lines.split("::") Rating(fields(0).toInt, fields(1).toInt, fields(2).toDouble) } //从训练总数据总分出80%作为训练集，20%作为验证数据集，20%作为测试数据集，前面的将timespan对10做取余操作的作用就是为了从总数据集中分出三部分 //设置分区数 val numPartitions = 3 //将键的数值小于8的作为训练数据 val traningData_Rating = ratingsTrain_KV.filter(_._1 < 8) .values//注意，由于原本的数据集是伪键值对形式的，而当做训练数据只需要RDD[Rating]类型的数据，即values集合 .union(myRatedData_Rating)//使用union操作将我的评分数据加入训练集中，以做为训练的基准 .repartition(numPartitions) .cache() //格式和意义和上面的类似，由于是验证数据，并不需要我的评分数据，所以不用union val validateData_Rating = ratingsTrain_KV.filter(x => x._1 >= 6 && x._1 < 8) .values .repartition(numPartitions) .cache() val testData_Rating = ratingsTrain_KV.filter(_._1 >= 8) .values .cache() //打印出用于训练，验证和测试的数据集分别是多少条记录 println("training data's num : " + traningData_Rating.count() + " validate data's num : " + validateData_Rating.count() + " test data's num : " + testData_Rating.count()) //开始模型训练，根据方差选择最佳模型 val ranks = List(8, 22) val lambdas = List(0.1, 10.0) val iters = List(5, 7)//这里的迭代次数要根据各自集群机器的硬件来选择，由于我的机器不行最多只能迭代7次，再多就会内存溢出 var bestModel: MatrixFactorizationModel = null var bestValidateRnse = Double.MaxValue var bestRank = 0 var bestLambda = -1.0 var bestIter = -1 //一个三层嵌套循环，会产生8个ranks ，lambdas ，iters 的组合，每个组合都会产生一个模型，计算8个模型的方差，最小的那个记为最佳模型 for (rank <- ranks; lam <- lambdas; iter <- iters) { val model = ALS.train(traningData_Rating, rank, iter, lam) //rnse为计算方差的函数，定义在最下方 val validateRnse = rnse(model, validateData_Rating, validateData_Rating.count()) println("validation = " + validateRnse + " for the model trained with rank = " + rank + " lambda = " + lam + " and numIter" + iter) if (validateRnse < bestValidateRnse) { bestModel = model bestValidateRnse = validateRnse bestRank = rank bestLambda = lam bestIter = iter } } //将最佳模型运用在测试数据集上 val testDataRnse = rnse(bestModel, testData_Rating, testData_Rating.count()) println("the best model was trained with rank = " + bestRank + " and lambda = " + bestLambda + " and numIter = " + bestIter + " and Rnse on the test data is " + testDataRnse) //计算和原先基础的相比其提升了多少 val meanRating = traningData_Rating.union(validateData_Rating).map(_.rating).mean() val baseLineRnse = math.sqrt(testData_Rating.map(x => (meanRating - x.rating) * (meanRating - x.rating)).mean()) val improvent = (baseLineRnse - testDataRnse) / baseLineRnse * 100 println("the best model improves the baseline by " + "%2.2f".format(improvent) + "%") //电影列表总数据，元组格式 val movieList_Tuple = sc.textFile(args(1) + "/movies.dat").map { lines => val fields = lines.split("::") (fields(0).toInt, fields(1), fields(2)) } //电影名称总数据，Map类型，键为id，值为name val movies_Map = movieList_Tuple.map(x => (x._1, x._2)).collect().toMap //电影类型总数据，Map类型，键为id，值为type val moviesType_Map = movieList_Tuple.map(x => (x._1, x._3)).collect().toMap var i = 1 println("movies recommond for you:") //得到我已经看过的电影的id val myRatedMovieIds = myRatedData_Rating.map(_.product).collect().toSet //从电影列表中将这些电影过滤掉，剩下的电影列表将被送到模型中预测每部电影我可能做出的评分 val recommondList = sc.parallelize(movies_Map.keys.filter(myRatedMovieIds.contains(_)).toSeq) //将结果数据按评分从大小小排序，选出评分最高的10条记录输出 bestModel.predict(recommondList.map((0, _))).collect().sortBy(-_.rating).take(10).foreach { r => println("%2d".format(i) + "----------> : \nmovie name --> " + movies_Map(r.product) + " \nmovie type --> " + moviesType_Map(r.product)) i += 1 } //计算可能感兴趣的人 println("you may be interested in these people : ") val sqlContext = new SQLContext(sc) import sqlContext.implicits._ //将电影，用户，评分数据转换成为DataFrame，进行SparkSQL操作 val movies = movieList_Tuple .map(m => Movies(m._1.toInt, m._2, m._3)) .toDF() val ratings = ratingsList_Tuple .map(r => Ratings(r._1.toInt, r._2.toInt, r._3.toInt)) .toDF() val users = sc.textFile(args(1) + "/users.dat").map { lines => val fields = lines.split("::") Users(fields(0).toInt, fields(2).toInt, fields(3).toInt) }.toDF() ratings.filter('rating >= 5)//过滤出评分列表中评分为5的记录 .join(movies, ratings("movieId") === movies("id"))//和电影DataFrame进行join操作 .filter(movies("mType") === "Drama")//筛选出评分为5，且电影类型为Drama的记录（本来应该根据我的评分数据中电影的类型来进行筛选操作，由于数据格式的限制，这里草草的以一个Drama作为代表） .join(users, ratings("userId") === users("id"))//对用户DataFrame进行join .filter(users("age") === 18)//筛选出年龄=18（和我的信息一致）的记录 .filter(users("occupation") === 15)//筛选出工作类型=18（和我的信息一致）的记录 .select(users("id"))//只保存用户id，得到的结果为和我的个人信息差不多的，而且喜欢看的电影类型也和我差不多 的用户集合 .take(10) .foreach(println) } //计算方差函数 def rnse(model: MatrixFactorizationModel, predictionData: RDD[Rating], n: Long): Double = { //根据参数model，来对验证数据集进行预测 val prediction = model.predict(predictionData.map(x => (x.user, x.product))) //将预测结果和验证数据集join之后计算评分的方差并返回 val predictionAndOldRatings = prediction.map(x => ((x.user, x.product), x.rating)) .join(predictionData.map(x => ((x.user, x.product), x.rating))).values math.sqrt(predictionAndOldRatings.map(x => (x._1 - x._2) * (x._1 - x._2)).reduce(_ - _) / n) } //样例类，用作SparkSQL隐式转换 case class Ratings(userId: Int, movieId: Int, rating: Int) case class Movies(id: Int, name: String, mType: String) case class Users(id: Int, age: Int, occupation: Int) }

系统在Spark集群上运行的结果如下图：

关于SparkSQL的一些基本操作请看：
Spark（九） – SparkSQL API编程

如果本文有中任何不足或者错误之处，万请指出~
如果你有任何疑问，欢迎联系交流~