获取推荐结果
参数说明
参数 | 类型 | 描述 | 是否必填 | 备注 |
UserId | string | 需要推荐的目标用户 | 和imei至少一个不为空 | 如果不在user表中，则无个性化效果 |
Imei | string | 用户设备id，安卓设备是（imei），IOS设备是（idfa） | 和userId至少一个不为空，非注册用户必填 | 32位MD5值 |
ReturnCount | Integer | 单次请求返回的推荐结果数量 | 是 | 建议取值20 |
SceneId | string | 物品投放的场景ID | 是 | 默认值为1，需要与上传的数据中场景ID一致 |
Items | string | 在“相关推荐”场景下的基准物品 | “相关推荐”场景下必填 | 格式：itemId:itemType,itemId:itemType |
Ip | string | 用户最后登录的ip | 否 | — |
RankOpen | boolean | 召回排序阶段是否根据用户id个性化排序 | 否 | 默认值true |
RecType | string | 推荐服务类型 | 否 | hot：热门推荐、rr：相关推荐、gul：猜你喜欢。注意：rr和gul都属于个性化推荐服务，只有rankOpen=false且recType="hot"时才完全关闭个性化推荐 |
除以上参数外，智能推荐额外支持可选推荐过滤功能“filter”，可以通过传入filter相关参数来指定单次推荐结果的推荐item范围。推荐过滤功能的详细使用可参看：通过推荐过滤功能实现Feed流个性化过滤
通过服务端SDK获取推荐结果的常见错误
返回结果为空：
1、请求参数填错：测试场景填入：scene_id，此项必须保证上报过来的数据中有此场景id；
测试用户填入：user_id，如果填入的user_id未存在user表中，则视为新用户；
推荐物品数：要小于场景可推荐的item数量。
注意：通过服务端SDK获取推荐结果中推荐物品数最大值=50。如果是相关推荐，还需要填入item_id:item_type为请求参数，详情如下相关推荐请求参数.
2、由于满足条件的可推荐的物料数过少，默认开启了曝光过滤功能后当前用户已经把当前场景的item全部刷空了（全部曝光过了）。
示例代码
package com.aliyun.airec;
import com.aliyuncs.DefaultAcsClient;
import com.aliyuncs.airec.model.v20181012.RecommendRequest;
import com.aliyuncs.airec.model.v20181012.RecommendResponse;
import com.aliyuncs.http.FormatType;
import com.aliyuncs.profile.DefaultProfile;
import com.aliyuncs.profile.IClientProfile;
public class Recommend {
private static final String accessKeyId = "your access key";
private static final String accessKeySecret = "your access key secret";
public static void main(String args[]) {
IClientProfile profile = DefaultProfile.getProfile("cn-hangzhou", accessKeyId, accessKeySecret);
DefaultProfile.addEndpoint("cn-hangzhou", "Airec", "airec.cn-hangzhou.aliyuncs.com");
DefaultAcsClient client = new DefaultAcsClient(profile);
RecommendRequest request = new RecommendRequest();
//以下三个参数为必填参数。
request.setInstanceId("airec-xxx");
request.setReturnCount(10);
request.setSceneId("场景id");
//以下参数需要至少上报一个（imei/user_id）。
request.setUserId("0");
request.setImei("0");
//如果是相关推荐场景可选使用
//request.setItems("88:article,33:image");
//如果需要关闭个性化推荐
//request.setRankOpen(false);
//request.setRecType("hot");
request.setAcceptFormat(FormatType.JSON);
try {
RecommendResponse response = client.getAcsResponse(request);
for (RecommendResponse.ResultItem item : response.getResult()) {
System.out.println(item.getItemId());
System.out.println(item.getItemType());
System.out.println(item.getTraceId());
System.out.println(item.getTraceInfo());
System.out.println(item.getMatchInfo());
System.out.println(item.getWeight());
System.out.println(item.getPosition());
}
} catch (Exception e) {
e.printStackTrace();
}
}
}