使用Mahout实现推荐系统（一）：MySQL数据源的简单推荐

     最近在做推荐系统，以前从没接触过，通过查阅，了解到一些推荐系统相关的开源框架，对比了下，使用Java开发的Mahout比较适合，通过学习，简单实现了一些功能，通过这篇文章记录一下，后续学习到进一步用法还会更新这个系列。

      使用mysql作为数据源，新建一张用户行为偏好表ratings，包含四个字段，用户id（user_id），商品id（item_id），偏好打分（rating），时间戳（timestamp）。将相关数据存进表中，接下来就可以在项目里使用mahout。

      首先在pom文件里加入依赖（前提是一个maven项目，嘿嘿）：

            org.apache.mahout
            mahout
            0.11.1
            pom
        
        
            org.apache.mahout
            mahout-examples
            0.11.1
            
                
                    org.slf4j
                    slf4j-log4j12
                
            
        

       使用步骤：

1. 首先定义数据模型（DataModel），我理解为Mahout的数据源，这个数据源包含数据库操作，可以理解为Mybatis的sessionfactory，MaHout默认提供了较多种DataModel，比如MYSQLJDBCDataModel，用于mysql数据库的操作，HBaseDataModel，用于hbase数据库的操作，FileDataModel，用于文件存储数据的操作（例如csv），等等。以mysql作为数据源为例子，代码如下：

DataModel dataModel = new MySQLJDBCDataModel(DataSource dataSource,

String preferenceTable,

String userIDColumn,

String itemIDColumn,

String preferenceColumn,

String timestampColumn);

从变量名大致也能猜出来，需要数据源DataSource、记录偏好打分的表名、用户id对应的列名、产品id对应的列名、偏好打分值对应的列名、时间戳对应的列名。

2. 定义相似度策略（Similarity），分为用户相似度策略（UserSimilarity）和产品相似度策略（）默认提供了几种实现，比如皮尔斯（PearsonCorrelationSimilarity）、EuclideanDistanceSimilarity，代码：UserSimilarity userSimilarity = new PearsonCorrelationSimilarity(dataModel);

需要将上一步定义的DataModel传进去。

3. 定义邻居（UserNeighborhood），所谓邻居，即具有相似性行为偏好的用户

UserNeighborhood neighborhood = new NearestNUserNeighborhood(100, userSimilarity, dataModel);

需要的参数：邻居数量、第二步定义的用户相似度、第一步定义的数据模型

4. 定义推荐器（Recommender），推荐器有基于用户的推荐（GenericUserBasedRecommender）和基于商品的推荐（GenericItemBasedRecommender），当然，还有一些其他的推荐

GenericUserBasedRecommender recommender =

new GenericUserBasedRecommender(dataModel, neighborhood, userSimilarity);

需要的参数：数据模型、邻居、用户相似度策略

5. 使用推荐器，根据推荐器不同调用不同的方法，例如GenericUserBasedRecommender基于用户推荐，通过调用recommend(long userID, int howMany)方法，传入用户的id以及需要返回的推荐数量。GenericItemBasedRecommender基于商品相似推荐，通过调用recommendedBecause(long userID, long itemID, int howMany)方法即可，传入用户id，当前浏览的商品的id，返回推荐的数目。

至此就可以完成mahout结合数据源的单机版开发。