Hadoop案例之基于物品的协同过滤算法ItemCF
Hadoop案例之基于物品的协同过滤算法ItemCF
转载自：http://blog.csdn.net/qq1010885678/article/details/50751607?locationNum=7&fps=1
1.ItermCF的基本思想
基于物品相似度的协同过滤推荐的思想大致可分为两部分：
1.计算物与物之前的相似度
2.根据用户的行为历史，给出和历史列表中的物品相似度最高的推荐
通俗的来讲就是：
对于物品 A,根据所有用户的历史偏好,喜欢物品 A 的用户都喜欢物品 C,得出物品 A 和物品 C 比较相似,而用户 C 喜欢物品 A,那么可以推断出用户 C 可能也喜欢物品 C。
2. ItermCF的算法实现思路
对于以下的数据集：
| UserId |
ItermId |
Preference |
| 1 |
101 |
5 |
| 1 |
102 |
3 |
| 1 |
103 |
2.5 |
| 2 |
101 |
2 |
| 2 |
102 |
2.5 |
| 2 |
103 |
5 |
| 2 |
104 |
2 |
| 3 |
101 |
2 |
| 3 |
104 |
4 |
| 3 |
105 |
4.5 |
| 3 |
107 |
5 |
| 4 |
101 |
5 |
| 4 |
103 |
3 |
| 4 |
104 |
4.5 |
| 4 |
106 |
4 |
| 5 |
101 |
4 |
| 5 |
102 |
3 |
| 5 |
103 |
2 |
| 5 |
104 |
4 |
| 5 |
105 |
3.5 |
| 5 |
106 |
4 |
| 6 |
102 |
4 |
| 6 |
103 |
2 |
| 6 |
105 |
3.5 |
| 6 |
107 |
4 |
3.计算用户评分矩阵
首先可以建立用户对物品的评分矩阵，大概长这个样子：
列为UserId，行为ItermId，矩阵中的值代表该用户对该物品的评分。
从列的方向看，该矩阵的每一个列在mr程序中可以用一行简单的字符串来表示：
1101:5,102:3,103:2.5...
这样一来，上面的矩阵5个列就可以由5行类似的字符串来构成。
那么第一个mr任务的功能就是一个简单的数据转换过程：
1.输入的key为行偏移量，value为每行内容，形如：1,101,5.0
2.在map阶段，分割每行内容，输出的key为1，value为101:5.0
3.在reduce阶段，将UserId相同的所有评分记录进行汇总拼接，输出的key仍然为1，value形如：101:5,102:3,103:2.5…
如此一来通过第一个mr任务得到了用户的评分矩阵。
4.计算物品同现矩阵
该矩阵大概长这个样子：
101 102 ……
101 5 3
102 3 4
……
矩阵的值表示，两个物品同时被用户喜欢（评过分）的次数，例如：101和102这个组合被1，2，5三个用户喜欢过，那么在矩阵中101和102对应的值就是3。
这个矩阵的意义就是各个物品之间的相似度，为什么可以这么说？
如果两个物品经常同时被很多用户喜欢，那么可以说这两个物品是相似的，同时被越多的用户喜欢（即为通同现度，上面矩阵中的值），这两个物品的相似度就越高。
其实观察可以发现，行和列上相同的（比如101和101）相比其他值（比如101和102，101和103）都是最大的，因为101和101就是同一个物品，相似度肯定是最大的。
从列的方向上看，这个同现矩阵的每一列在mr程序中可以通过下面简单的字符串来表示：
101:101 5
101:102 3
101:103 4
...
m*n的同现矩阵就由m个以上的字符串（n行）组成。
那么第二个mr任务的功能就是在第一个mr任务的输出结果上得到物品同现矩阵：
1.输入的key为偏移量，输入的value为UserId+制表符+ItermId1:Perference1,ItermId2:Perference2…
2.输入的value中，UserId和Perference是不需要关心的，观察物品的同现矩阵，map阶段的工作就是将每行包含的ItermId都解析出来，全排列组合作为key输出，每个key的value记为1。
3.在reduce阶段所做的就是根据key对value进行累加输出。
如此一来便能够得到物品的同现矩阵。
5.物品同现矩阵和用户评分矩阵的相乘
物品同现矩阵*用户评分矩阵=推荐结果：
为什么两个矩阵相乘可以得到推荐结果？
物品1和各个物品的同现度*用户对各个物品的喜好度，反应出用户对物品1的喜好度。
例如，要预测用户3对103物品的喜好度，我们需要找到和103相似的物品，比如101物品，和103的同现度为4，是很类似的物品，用户3对101的评分为2，那么一定程度上可以反映出用户对103的喜好度，101和103的相似度（即同现度）*用户3对101的评分可以得到用户3对103的喜好度权重，将用户3对各个物品的权重相加，可以反映出用户3对103的喜好度。
了解矩阵相乘的意义之后，第三个mr任务的功能就是实现两个矩阵的相乘，并将结果输出。
在这个mr任务中，这两个矩阵的相乘可以这样来计算：
将同现矩阵存入一个Map中，形如：
Map<String,Map<String, Double>> colItermOccurrenceMap =newHashMap<String,Map<String, Double>>();
同现矩阵中的每一行就是大Map中的一条记录，每行对应的每列都在该记录的小Map中。
在map阶段的开始的时候初始化这个Map，输入的value形如101:101 5,101:102 3，将101作为大Map的key，value为小Map，小Map的key为101/102，value为5/3。
由于map函数读取文件是并发读取的，不能保证两个输入文件的读取顺序（在同一个文件中也不能保证），所以这里使用Hadoop提供的分布式缓存机制来对同现矩阵进行共享。
关于Hadoop的分布式缓存机制请看：
Hadoop的DistributedCache机制
初始化同现矩阵之后，读取评分矩阵的每一行，输入的value为1 101:5,102:3,103:2.5 …
将每行的itermIds和对应的评分数提取出来，遍历itermId，根据itermId到itermOccurrenceMap中找到对应的List集合，找到每个itermId在该集合中对应的itermId2记录，将评分数*同现度，之后进行累加，以UserId:ItermID作为key，累加值作为value输出。
reduce的工作就很简单了，根据key对value进行累加输出即可。
6.项目代码
源码Github地址
7. 程序输出
7.1 用户评分矩阵
1 103:2.5,101:5,102:3
2 101:2,102:2.5,103:5,104:2
3 107:5,101:2,104:4,105:4.5
4 103:3,106:4,104:4.5,101:5
5 101:4,102:3,103:2,104:4,105:3.5,106:4
6 102:4,103:2,105:3.5,107:4
7.2 物品同现矩阵
101:101 5
101:102 3
101:103 4
101:104 4
101:105 2
101:106 2
101:107 1
102:101 3
102:102 4
102:103 4
102:104 2
102:105 2
102:106 1
102:107 1
103:101 4
103:102 4
103:103 5
103:104 3
103:105 2
103:106 2
103:107 1
104:101 4
104:102 2
104:103 3
104:104 4
104:105 2
104:106 2
104:107 1
105:101 2
105:102 2
105:103 2
105:104 2
105:105 3
105:106 1
105:107 2
106:101 2
106:102 1
106:103 2
106:104 2
106:105 1
106:106 2
107:101 1
107:102 1
107:103 1
107:104 1
107:105 2
107:107 2
7.3 最终推荐结果
1 104:33.5
1 105:21.0
1 106:18.0
1 107:10.5
2 105:23.0
2 106:20.5
2 107:11.5
3 102:28.0
3 103:34.0
3 106:16.5
4 102:40.0
4 105:29.0
4 107:12.5
5 107:20.0
6 101:31.0
6 104:25.0
6 106:11.5