【甘道夫】使用HIVE SQL实现推荐系统数据补全

需求

在推荐系统场景中，假设基础行为数据太少，或者过于稀疏，通过推荐算法计算得出的推荐结果非常可能达不到要求的数量。

比方，希望针对每一个item或user推荐20个item，可是通过计算仅仅得到8个。剩下的12个就须要补全。

欢迎转载，请注明出处：
http://blog.csdn.net/u010967382/article/details/39674047
策略

数据补全的详细策略是：

补全时机：在挖掘计算结束后，挖掘结果导入HBase（终于web系统从HBase取数据）前。进行数据补全，补全后的数据再导入HBase。（还有另外一个可选时机，在接到请求后再在程序中实现补全，但这种效率肯定没有直接从HBase中读数的高，所以空间换时间是更为合理的策略）；

实现技术：补全过程基于HIVE实现；

补全数据：測试过程使用当前浏览item同分类下近一段时间的浏览量TopN；

測试场景：本文仅针对“看了又看”进行数据补全实验。其他推荐需求类似。

实验过程

1.首先在Oracle下调试SQL

调试过程涉及两张表：

（1）TEST_TOPN：





该表中每行代表了一个item在某一天的訪问量。

（2）TEST_X_AND_X：





该表中每行代表了针对每个item的看了又看的item及其訪问量。

我们的目的。就是将该表补全，针对每一个current_item都要有5个看了又看的item。

比方，针对10001号item，须要从it分类下取得top2填补到该表中来。

Oracle中通过下面SQL成功实现该目的：

select * from
(select row_number() over(partition by current_item_category,current_item_id order by source,view_count desc) no,
current_item_id, current_item_category, andx_item_id, source, view_count from
(select current_item_id, current_item_category, andx_item_id, 1 source, view_count
from test_x_and_x
union
select a.current_item_id,a.current_item_category,b.item_id,2,b.view_count
from
(select current_item_id,current_item_category from test_x_and_x
group by current_item_id,current_item_category) a, test_topn b
where a.current_item_category = b.item_category
)) where no<=5





注意：当中的source列用于标识数据来自原始表还是TOPN，全部TOPN的表数据都排在原始表数据之后。

2. 将Oracle中的SQL语句移植到HIVE中

成功移植的HIVE SQL：

select * from
(select rank() over(partition by c.current_item_category,c.current_item_id order by c.source,c.view_count desc) no,
c.current_item_id, c.current_item_category, c.andx_item_id, c.source, c.view_count
from
(select current_item_id,current_item_category,andx_item_id,1 source,view_count
from test_x_and_x
union all
select a.current_item_id current_item_id,a.current_item_category current_item_category,b.item_id andx_item_id,2 source,b.view_count view_count
from
(select current_item_id,current_item_category from test_x_and_x
group by current_item_id,current_item_category) a, test_topn b
where a.current_item_category = b.item_category) c
) d where d.no <= 5;

运行结果和Oracle中全然一致：



移植过程中遇到一些坑。特此记录：

HIVE仅仅支持union all，不支持union。


union all的两张表。不仅要相应字段数据类型同样，字段名（可使用列别名）也必须全然同样；


每个嵌套子查询的结果集都必须使用表别名！