445
阿里云
步骤五：启用推荐业务__快速入门_推荐引擎-阿里云
推荐引擎工作的模式为：每一个调度周期内（通常为日，我们Case中为日，即每日更新一次推荐数据），使用推荐算法离线在MaxCompute中计算一次，得到的数据用来支持当前周期内的推荐，然后可以通过调用API的方式得到推荐结果。
操作步骤如下：
- 启动离线计算
- 查看离线处理结果
- 使用API实现首页推荐
- 使用API实现详情页推荐
1. 启动离线计算
以“首页推荐”的场景为例，点击“启动离线计算”：
在弹出窗口中，可以看到“数据预处理状态”为未完成，即需要先对数据进行预处理，点击“请执行数据预处理”：
在“启动数据预处理”窗口中，选择数据时间为2016年4月1日，因为本Case中，假定数据的日期为2016年4月1日（ds=’20160401’）。此处时间仅为示例，您也可以根据自己的需要更改为其他时间。
点击“启动预处理”：
数据预处理需要运行几分钟的时间，期间我们看查看它的运行状态。有两种方法查看，第一种，在“我的推荐”页中，点击“查看数据预处理日志”：
选中想要查看的作业类型、开始时间、结束时间以及推荐业务，点击“按业务查询”：
第二种，在“我的推荐”中点击“启动离线计算”：
点击“请执行数据预处理”：
选择需要查看状态的数据日期：
选中2016-04-01，看到状态为处理中：
处理成功后为：
数据预处理完成后，返回“我的推荐”页面，点击“首页推荐”后的“启动离线计算”：
在弹出页面中，设置“数据截止日期”为2016-04-01，点击“启动任务”，启动推荐算法对应的离线计算任务：
任务的状态为运行中：
该任务运行时间较长，从几分钟到几十分钟不等，视数据量大小而定，本Case大概需要运行15~20分钟。运行成功后，可以从“我的推荐”页看到执行信息：
同样的方式启动“详情页推荐推荐”的离线任务，点击“启动离线计算”：
弹出窗口中，将日期调整为2016-04-01，可以看到数据预处理状态为已完成，直接点击启动任务，启动详情页推荐的离线计算任务：
在日志列表页中，查看作业执行详情：
成功后，在“我的推荐”页，可以看到最终执行状态：
2. 查看离线处理结果
本章节为附加阅读内容，跳过不会影响本实验。
离线处理的推荐结果，会保存在在线存储中。如果您使用的自己购买的“表格存储”云产品，则可以在表格存储中看到离线产出的结果数据。登录阿里云官网（www.aliyun.com），点击“管理控制台”，进入管理控制台首页，点击“表格存储”：
可以看到我们之前创建的实例，点击进入：
可以看到有四张新创建的表：
离线计算的结果就保存在这四张表中，后续的调用都会访问这些表，得到推荐列表。如果在线调用的并发量比较大，可以调整表的读写吞吐量：
在弹出的修改界面中，调整读写吞吐量：
3. 使用API实现首页推荐
现在我们可以通过API调用来访问离线计算的结果，得到针对用户的个性化推荐的电影列表。
如果一个标识为19（movielens_user_meta:user_id=19）的40岁的男性用户（movielens_user_meta:user_id=19）正停留在首页，该用户的历史评分记录如下（movilens_user_behavior:user_id=19, movielens_item_meta）：
| 用户 | 电影 | 评分 |
|---|---|---|
| 19 | Fish Called Wanda,A(1988) | 4.0 |
| 19 | Evil DeadII(1987) | 3.0 |
| 19 | Indiana Jones and the Last Crusade(1989) | 3.0 |
| 19 | Contact(1997) | 4.0 |
| 19 | Scream(1996) | 3.0 |
| 19 | Liar Liar(1997) | 3.0 |
| 19 | Butch Cassidy and the Sundance Kid(1969) | 5.0 |
| 19 | Groundhog Day(1993) | 4.0 |
| 19 | MASH(1970) | 4.0 |
| 19 | Chasing Amy(1997) | 2.0 |
| 19 | Rainmaker,The(1997) | 4.0 |
| 19 | Titanic(1997) | 2.0 |
| 19 | Everyone Says I Love You(1996) | 4.0 |
| 19 | Crash(1996) | 4.0 |
| 19 | Adventures of Priscilla,Queen of the Desert,The(1994) | 3.0 |
| 19 | Get Shorty(1995) | 4.0 |
| 19 | Stand by Me(1986) | 3.0 |
| 19 | American President,The(1995) | 3.0 |
| 19 | Babe(1995) | 5.0 |
| 19 | Eve’s Bayou(1997) | 4.0 |
我们可以对该用户显示哪些推荐电影？
实际上是通过API接口查看“首页推荐”的结果，在“我的推荐”页面里，点击“首页推荐”的“API调试”：
输入请求参数，点击调试接口，得到推荐结果：
关联物品信息表，得到影片信息：
| 用户 | 电影 | 推荐得分 |
|---|---|---|
| 19 | Don Juan DeMarco (1995) | 1.0 |
| 19 | Red Firecracker, Green Firecracker (1994) | 0.99 |
| 19 | A Chef in Love (1996) | 0.98 |
| 19 | Here Comes Cookie (1935) | 0.97 |
| 19 | Entertaining Angels: The Dorothy Day Story (1996) | 0.96 |
| 19 | Beautiful Thing (1996) | 0.95 |
即我们可以将上述电影的相关信息显示在首页，根据该用户的历史行为，有理由判断他对这些电影更感兴趣。
对于不同的用户，推荐引擎计算出的可推荐电影列表不同；对于不同的用户，登录首页后看到的推荐电影不同。这就是我们通常说的“千人千面”，即个性化推荐。
您可以在您的网站或者APP中调用此API接口，正确传入参数后，即可得到推荐结果。
4. 使用API实现详情页推荐
如果一个标识为19（movielens_user_meta:user_id=19）的40岁的男性用户，该用户的历史评分记录如下（movilens_user_behavior:user_id=19, movielens_item_meta）：
| 用户 | 电影 | 评分 |
|---|---|---|
| 19 | Fish Called Wanda,A(1988) | 4.0 |
| 19 | Evil DeadII(1987) | 3.0 |
| 19 | Indiana Jones and the Last Crusade(1989) | 3.0 |
| 19 | Contact(1997) | 4.0 |
| 19 | Scream(1996) | 3.0 |
| 19 | Liar Liar(1997) | 3.0 |
| 19 | Butch Cassidy and the Sundance Kid(1969) | 5.0 |
| 19 | Groundhog Day(1993) | 4.0 |
| 19 | MASH(1970) | 4.0 |
| 19 | Chasing Amy(1997) | 2.0 |
| 19 | Rainmaker,The(1997) | 4.0 |
| 19 | Titanic(1997) | 2.0 |
| 19 | Everyone Says I Love You(1996) | 4.0 |
| 19 | Crash(1996) | 4.0 |
| 19 | Adventures of Priscilla,Queen of the Desert,The(1994) | 3.0 |
| 19 | Get Shorty(1995) | 4.0 |
| 19 | Stand by Me(1986) | 3.0 |
| 19 | American President,The(1995) | 3.0 |
| 19 | Babe(1995) | 5.0 |
| 19 | Eve’s Bayou(1997) | 4.0 |
且该用户目前停留在电影《黄金眼》(GoldenEye (1995))的页面，则需要对该用户推荐哪些电影？
实际上是通过API接口查看“首页推荐”的结果，在“我的推荐”页面里，点击“详情页推荐”的“API调试”：
填写API参数，点击调试接口，得到答案：
适合推荐给他的电影依次为：
| 用户 | 电影 | 推荐得分 |
|---|---|---|
| 19 | It’s a Wonderful Life (1946) | 1.84 |
| 19 | Three Colors: Red (1994) | 1.78 |
| 19 | Shawshank Redemption, The (1994) | 1.76 |
| 19 | Star Kid (1997) | 1.56 |
| 19 | Enchanted April (1991) | 1.5 |
| 19 | They Made Me a Criminal (1939) | 1.38 |
对于相同的用户，如果他当前停留的电影详情页的位置不同，我们提供的推荐电影也不同。即我们不但可以做到通常意义上的“千人千面”，也会结合用户当前的具体信息进行更有针对性的推荐。
您可以在您的网站或者APP中调用此API接口，正确传入参数后，即可得到推荐结果。
最后更新：2016-11-29 14:20:37
上一篇： 步骤四：配置推荐引擎__快速入门_推荐引擎-阿里云
下一篇： 数据上传到MaxCompute(原ODPS)__用户指南_推荐引擎-阿里云
- DescribeRegions__LoadBalancer相关API_API 参考_负载均衡-阿里云
- 云服务器 ECS 故障处理 CPU跑满
- 查询签名密钥列表__后端签名密钥相关接口_API_API 网关-阿里云
- 购买实例__购买指导_移动安全-阿里云
- 到期__常见问题_云解析-阿里云
- 迁移 RDS for PPAS 数据到本地 Oracle__数据迁移_用户指南_云数据库 RDS 版-阿里云
- RAM__操作事件(Event)样例_用户指南_操作审计-阿里云
- 查询区域运营商资源信息__资源监控接口_API 手册_CDN-阿里云
- SetLoadBalancerUDPListenerAttribute__Listener相关API_API 参考_负载均衡-阿里云
- SDK下载__设备端接入手册_阿里云物联网套件-阿里云
相关内容
- 常见错误说明__附录_大数据计算服务-阿里云
- 发送短信接口__API使用手册_短信服务-阿里云
- 接口文档__Android_安全组件教程_移动安全-阿里云
- 运营商错误码（联通）__常见问题_短信服务-阿里云
- 设置短信模板__使用手册_短信服务-阿里云
- OSS 权限问题及排查__常见错误及排除_最佳实践_对象存储 OSS-阿里云
- 消息通知__操作指南_批量计算-阿里云
- 设备端快速接入(MQTT)__快速开始_阿里云物联网套件-阿里云
- 查询API调用流量数据__API管理相关接口_API_API 网关-阿里云
- 使用STS访问__JavaScript-SDK_SDK 参考_对象存储 OSS-阿里云