使用HIVE SQL实现推荐系统数据补全

问题导读
1.数据补全的具体策略是什么？
2.如何在Oracle下调试SQL？









需求


在推荐系统场景中，如果基础行为数据太少，或者过于稀疏，通过推荐算法计算得出的推荐结果很可能达不到要求的数量。
比如，希望针对每个item或user推荐20个item，但是通过计算只得到8个，剩下的12个就需要补全。



策略


数据补全的具体策略是：

• 补全时机：在挖掘计算结束后，挖掘结果导入HBase（最终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，但这样的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：测试过程使用当前浏览item同分类下近一段时间的浏览量TopN；
• 测试场景：本文仅针对“看了又看”进行数据补全实验，其它推荐需求类似。
  

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在某一天的访问量。

（2）TEST_X_AND_X：
file:///C:/Users/Administrator/Documents/My%20Knowledge/temp/34104002.png

该表中每行代表了针对每一个item的看了又看的item及其访问量。
我们的目的，就是将该表补全，针对每个current_item都要有5个看了又看的item。
比如，针对10001号item，需要从it分类下取得top2填补到该表中来。

Oracle中通过以下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 
复制代码

file:///C:/Users/Administrator/Documents/My%20Knowledge/temp/34932586.png



注意：其中的source列用于标识数据来自原始表还是TOPN，所有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;
复制代码

执行结果和Oracle中完全一致：




移植过程中遇到一些坑，特此记录：

• HIVE只支持union all，不支持union；
• union all的两张表，不仅要对应字段数据类型相同，字段名（可使用列别名）也必须完全相同；
• 每一个嵌套子查询的结果集都必须使用表别名！
  

本文转自http://blog.csdn.net/u010967382/article/details/39674047