OPDS SQL 的离线评估

ODPS

---

由于阿里是一天一测，所以为了能够提交较好的结果，我们需要将本地测试较好的结果提交上去，这就要求我们构建SQL的本地离线评估。本文引自wuchong大神的博客。

划分训练集和测试集

---

根据时间将前三个月划分为训练集：

create table train_set as
select * from t_alibaba_bigdata_user_brand_total_1
where visit_datetime <= '07-15';

同理，将最后一个月划分为测试集：

create table validate_set as
select
    user_id,
    wm_concat(',',brand_id) as brand
from(
    select distinct user_id,brand_id
    from t_alibaba_bigdata_user_brand_total_1
    where type = '1' and visit_datetime > '07-15'
)a
group by user_id;

这里的distinct表示去重，也可以用group by实现， 两者的区别在于distinct会读取所有的记录，而group by是在分组之后每组只返回一条记录，也就是说后者读取的条数要少很多，效率会更高一些，因此可以将上述代码改为：

create table validate_set as
select
    user_id,
    wm_concat(',',brand_id) as brand
from(
    select user_id,brand_id
    from t_alibaba_bigdata_user_brand_total_1
    where type = '1' and visit_datetime > '07-15'
    group by user_id,brand_id
)a
group by user_id;

训练集和测试集建立好之后，我们可以通过以下命令来计算测试集的推荐数目：

select sum(regexp_count(brand,',')+1) from t_tmall_add_user_brand_predict_dh;

其中REGEXP_COUNT是ODPS的一个自建函数，它的用法如下：

bigint regexp_count(string source, string pattern[, bigint start_position])

表示计算 source 中从 start_position 开始，匹配指定模式pattern 的子串的次数。比如我们有一条输出结果是：100 1,2,3,4，通过计算其中的,数（3）+1=4就计算出推荐的个数了。

UDF计算重复条数

---

UDF(User-Defined Function)(用户定义函数)，是用户根据实际应用的需要而自行开发的函数。在 Eclipse 中的项目下新建 UDF。填入 Package 名称为：chanvee.udf，和 UDF 类名：CountHits，点击确认。插件会自动帮我们生成chanvee.udf包用于写 UDF 代码，和test.chanvee.udf包用于本地测试。

编辑CountHits.java文件，注意下文的Long不能替换为long类型，否则在ODPS上运行会报Method Not Found错误：

package chanvee.udf
import java.util.Arrays;
import java.util.HashSet;
import java.util.Set;
public class CountHits extends UDF {
    public Long evaluate (String a,String b){
        if(a == null || b == null) {
            return 0L;     //异常值
        }
        Set<String> set1 = new HashSet<String>();
        Set<String> set2 = new HashSet<String>();
        set1.addAll(Arrays.asList(a.split(",")));
        set2.addAll(Arrays.asList(b.split(",")));
        Long hits = 0L;
        for(String s : set2){
            if( set1.contains(s) )
                hits++;
        }
        return hits;
    }
}

本段函数的主要工作是在a串和b串去重后，计算它们中重复元素的个数。接下来在本地测试下 UDF 。在test.jark.udf包中有两个文件TestCountHits.java和TestUDFBase.java。由于如果 UDF 的输入参数是多个的话，本地测试默认的分隔符是逗号，与我们brand中的逗号冲突了。所以修改下TestUDFBase.java文件的第15行的分隔符为空格（当然也可以其他符号）：

private final static String ODPS_SEPARATOR = " ";

同时修改第72行，去掉(String)，原因是Long型不能强制转换成String：

return callMeth.invoke(UDFClass, input_parameter.toArray()) + "\n";

在TestCountHits.in文件中输入测试样例：

123456,444,555,666 123456,666,777,888
888,999 111,222
111,111,222,222 111,222,222,333

运行TestCountHits.java后，在TestCountHits.out文件中得到测试结果（样例）：

2
0
2

在确认 UDF 没有问题后，准备上传。将Package chanvee.udf打成 jar 包，命名为chanvee_udf.jar，置于C:/TOOLS下，执行以下命令:

create resource jar C:/TOOLS/chanvee_udf.jar
create function count_hits chanvee.udf.CountHits jark-udf.jar

上述命令作用分别是将用户 jar 包上传到 ODPS 和在 ODPS 上注册函数并命名为count_hits。现在使用ls functions命令就能看到我们刚刚注册的函数了。

现在，我们就能像调用一般内建函数一样调用我们自己的count_hits函数了。计算推荐集和验证集中的重复条数，有下面代码：

select sum(count_hits(a.brand,b.brand)) hits from t_tmall_add_user_brand_predict_dh a 
join validate_set b on a.user_id = b.user_id;

上面演示了一般 UDF 的创建使用过程，其他类似的 UDF 都可以参考以上过程构建。UDF 是 SQL 的一大工具 ，很多规则算法都可以用过 UDF 方便地实现。

计算评估值

---

我们知道准确率的计算公式：$precision = \frac{hits}{pnums}$, 其中 pnum 代表推荐的条数。
召回率的计算公式：$recall = \frac{hits}{rnums}$, 其中 rnum 为验证的条数。
F1：

$$F_1 = \frac{2*hits}{pnum+rnum}$$

为了计算方便，我们用full outer join连接验证集和推荐集，并将计算出的 hits、pnums、rnums 放到临时表里:

select sum(count_hits(p.brand,r.brand) hits,
       sum(regexp_count(p.brand,',')+1) pnums,
       sum(regexp_count(r.brand,',')+1) rnums
from t_tmall_add_user_brand_predict_dh p
     full outer join validate_set r on p.user_id = r.user_id

有了这三个值后，就可以用上面的公式轻松计算出评测值了。

select (hits/pnums) precision, (hits/rnums) recall,(2*hits/(pnums+rnums)) F1
from (
    select hits , pnums , rnums
    from ...
)a;

综合一下，有如下代码：

create table evaluation as
select (hits/pnums) precision , (hits/rnums) recall , (2*hits/(pnums+rnums)) F1 , 
        hits , pnums , rnums , getdate() eval_time
from (
    select sum(count_hits(p.brand,v.brand) hits,
           sum(regexp_count(p.brand,',')+1) pnums,
           sum(regexp_count(v.brand,',')+1) rnums
    from t_tmall_add_user_brand_predict_dh p
         full outer join validate_set r on p.user_id = r.user_id
)a;

我们将评测值写到了evaluation表中，可供组员查看分析。运行一次上面代码后，若以后再进行评测，可以将第一行改成insert into/overwrite table evaluation后直接运行，这样可以与上次的结果进行比较。

现在已有的模型算法就可以在本地测试调优后，再上传到线上进行评估了。

结尾

---

越来越觉得自己会的东西太少了，以后要多多拜读各位大牛的博客，这真的是一个可以学到很多东西的地方，好好充实自己，加油！