mahout：推荐系统入门学习（一）

最近因为公司项目的需要，进入了mahout的相关学习，在hadoop论坛找到了一份入门级别的学习资料，在各大论坛mahout板块的介绍还是相当少，闲话不多说，直接切入正题。 

    Mahout是一个基于Hadoop实现各种机器学习与数据挖掘的算法库，它由Lucene的几个代码贡献者发起成立，整个项目是从Taste这个项目发展起来的，目前Mahout已经发布0.6.0最新版本，实现了分布式协同过滤、聚类、分类等算法，已经和Hadoop整合到了一起，成为强大的分布式数据挖掘的工具。 

    要想实现和运行代码，需要从apache官方下载mahout包，将其导入Eclipse Java项目中，下载地址为：http://labs.mop.com/apache-mirror//mahout/0.6/，apache mahout官网网址为：http://mahout.apache.org/。 

下面代码是本人学习mahout过程中第一个动手写的程序，另带附件，数据排列格式亦有说明。这是一个简单的实例，因为实际推荐系统的训练数据集都是海量的，通过机器学习能得到更加值得信赖的结果。 


intro.txt   package com.loogn.chart02; 



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 java.io.*; 

import java.util.*; 

public class RecommenderIntro { 

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

       

        DataModel model = new FileDataModel(new 

                File("E:\\my own task\\mahout\\intro.csv")); //A 

        /** 

         * A 加载数据文件 

         */ 

        UserSimilarity similarity = new PearsonCorrelationSimilarity(model); 

        UserNeighborhood neighborhood = new NearestNUserNeighborhood(2,similarity,model); 

       

        Recommender recommender = new GenericUserBasedRecommender( 

                model,neighborhood,similarity); // B 建立推荐系统 

       

        List recommendations = recommender.recommend(1, 2); //C 

        /** 

         * C为用户1，推荐两个物品 

         */ 

       

        for(RecommendedItem recommendation : recommendations) { 

            System.out.println(recommendation);// 按mapreduce键/值对的形式呈现推荐项目 

        } 

    } 

} 
最后运行结果如下： 
RecommendedItem[item:104, value:4.257081] 
RecommendedItem[item:106, value:4.0] 
分析该运行结果，之所以没有给用户1推荐item107，是考虑到与用户1历史购买记录和用户4以及用户5具有更高的相似度，而107号物品只被用户3喜欢，而且从过往喜好来看，用户1和3存在较大差异，所以选择了具有在4.0和4.5数值的item104，也可以看出其被推荐的优先级高于106.