mahout：推荐系统入门学习（二）

转自：http://blog.chinaunix.net/uid-26711636-id-3086382.html

 

1）评价推荐系统优劣的方法

   mahout中提供了为用户推荐物品的工具，但如何评价推荐的item是否和实际情况相符合。在机器学习和AI领域，习惯的是利用一部分数据作为训练集数据，而留出一部分实际用户喜好的数据作为测试集数据，通过估计出的值与实际测试值之间的均差、均方根等方法下的大小来评判，通常是值越小说明推荐的情况和实际值越接近，若其值为0说明完全吻合。

   由于评判通过推荐系统得出的估计值和实际值之间的得分（通过均差、均方根等得到）直接关系到推荐系统的优劣，所以这里就有必要对此作出必要分析（由于均差方式简单，这里就以它为例）。

Item1Item2Item3

实际值3.05.04.0

 

估计值3.52.05.0

 

差值0.53.01.0

 

均差= （0.5 + 3.0 + 1.0）/ 3 = 1.5

   上面就展示了评价已定推荐系统根据均差方法测定其得分的过程，由于存在Item2，导致该系统得分偏高。当然在项目中自己也可以通过代码测试系统的得分（即优劣）。

 

2）下面的代码可以评估推荐系统的性能：

package com.loogn.valuaterecommender;



import org.apache.mahout.cf.taste.impl.model.file.*;//FileDataModel



import org.apache.mahout.cf.taste.model.*;//DAtaModel



import org.apache.mahout.cf.taste.impl.neighborhood.*;



import org.apache.mahout.cf.taste.impl.recommender.*;



import org.apache.mahout.cf.taste.impl.similarity.*;



import org.apache.mahout.cf.taste.neighborhood.*;



import org.apache.mahout.cf.taste.similarity.*;



import org.apache.mahout.cf.taste.recommender.*;



import org.apache.mahout.common.RandomUtils;



import org.apache.mahout.cf.taste.impl.eval.*;



import org.apache.mahout.cf.taste.eval.*;



import org.apache.mahout.cf.taste.common.TasteException;



import java.io.*;



public class ValuateRecommender {



/**



     * 



     * @param args



     * @throws Exception



     */



public static void main(String[] args) throws Exception{



/**



         * 只用于结果可重复的例子



         */



        RandomUtils.useTestSeed();



/**



         * 加载数据文件



         */



        DataModel model = new FileDataModel(new



File("C:\\Users\\ZhouQiang\\Desktop\\my own task\\intro.csv"));



/**



         * 创建评价器



         */



        RecommenderEvaluator evaluator = new



        AverageAbsoluteDifferenceRecommenderEvaluator();



/**



         * 建立推荐系统



         */



        RecommenderBuilder builder = new RecommenderBuilder() {



            @Override



public Recommender buildRecommender(DataModel model)



throws TasteException {



                UserSimilarity similarity = new PearsonCorrelationSimilarity(model);



                UserNeighborhood neighborhood = new



                    NearestNUserNeighborhood(3,similarity,model);



return



new GenericUserBasedRecommender(model,neighborhood,similarity);



}



};



/**



             * 70%的数据作训练集，剩下30%的数据作测试集



             */



double score = evaluator.evaluate(builder, null, model, 0.7, 1.0);



System.out.println("评价得分：" + score);        // 输出评价得分



}



}



运行结果分析：



评价得分：1.0

 

 

每次运行结果都会是1.0，这是因为使用了RandomUtils .useTestSeed ( )强制将每次随机选取的集都能达到这个要求，如果将这行代码注释掉，会真的随机出现如下运行结果：

评价得分：NaN

评价得分：NaN

评价得分：0.0