使用Mahout基于用户和物品相似度进行协同过滤推荐内容

基于用户User协同过滤

package mahout;

 

import java.io.File;

import java.io.IOException;

import java.util.List;

 

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

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

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

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

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

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

import org.apache.mahout.cf.taste.model.DataModel;

import org.apache.mahout.cf.taste.model.JDBCDataModel;

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

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

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

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

  

/**

 * 基于用户相似度进行推荐

 * mahout基于协同过滤(CF)的推荐 

 * 用户对物品进行评分，对于无评分只有喜欢、不喜欢的，可以将喜欢置为5分，不喜欢置为1分

 * @author itindex

 *

 */

public class Mahout {  

    public static void main(String[] args) throws TasteException, IOException {  

          

        //(1)----连接数据库部分  

//        MysqlDataSource dataSource = new MysqlDataSource();  

//        dataSource.setServerName("localhost");  

//        dataSource.setUser("admin");  

//        dataSource.setPassword("admin");  

//        dataSource.setDatabaseName("mahoutDB");  

//      //(2)----使用MySQLJDBCDataModel数据源读取MySQL里的数据  

//        JDBCDataModel dataModel = new MySQLJDBCDataModel(dataSource, "table1", "userId", "itemId", "preference", "date");  

          

        //(3)----数据模型部分  

         //把MySQLJDBCDataModel对象赋值给DataModel  

//        DataModel model = dataModel;  

   

   

    DataModel model = new FileDataModel(new File("D:/intro.csv"));

        //用户相似度UserSimilarity:包含相似性度量和邻居参数  

        UserSimilarity similarity = new PearsonCorrelationSimilarity(model);  

        //相邻用户UserNeighborhood  

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

        //一旦确定相邻用户,一个普通的user-based推荐器被构建,构建一个GenericUserBasedRecommender推荐器需要数据源DataModel,用户相似性UserSimilarity,相邻用户相似度UserNeighborhood  

        Recommender recommender = new CachingRecommender(new GenericUserBasedRecommender(model, neighborhood, similarity));  

        //向用户1推荐2个商品  

        List<RecommendedItem> recommendations = recommender.recommend(1, 2);  

        for(RecommendedItem recommendation : recommendations){  

            //输出推荐结果  

            System.out.println(recommendation);  

        }  

    }  

  

}  

 

基于物品Item进行协同过滤：

package mahout;

 

import java.io.File;

import java.util.Collection;

import java.util.List;

 

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

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

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

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

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

import org.apache.mahout.cf.taste.model.DataModel;

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

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

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

/**

 * 基于Item 物品相似度进行推荐

 * 用户对物品进行评分，对于无评分只有喜欢、不喜欢的，可以将喜欢置为5分，不喜欢置为1分

 * @author itindex

 *

 */

public class RecommenderIntro {

 

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

        //装载数据文件，实现存储，并为计算提供所需的所有偏好，用户和物品数据

        DataModel model = new FileDataModel(new File("D:/intro.csv"));

        

        //基于物品的推荐

        Recommender recommender1 ;

        

        ItemSimilarity otherSimilarity = new EuclideanDistanceSimilarity(model);  

        GenericItemSimilarity similarity2 = new GenericItemSimilarity(otherSimilarity, model);  

        recommender1 = new CachingRecommender(new GenericItemBasedRecommender(model, similarity2));  

            

        //为用户1推荐一件物品1,1

        List<RecommendedItem> recommendedItems = recommender1.recommend(1, 2);

        

        //输出

        for (RecommendedItem item : recommendedItems) {

            System.out.println(item);

        System.out.println(item.getItemID());

System.out.println(item.getValue());

        }

    }

}

 intro.csv文件格式：

用户id,物品id,评分

1,10,5

1,12,5

1,14,1

2,12,5

3,10,5

3,12,5

3,13,5

3,14,1

4,10,5