mahout in Action2.2-给用户推荐图书（1）-直观分析和代码

This chapter covers

 What recommenders are, within Mahout

 A first look at a recommender in action

 Evaluating the accuracy and quality of

recommender engines

 Evaluating a recommender on a real

data set: GroupLens

1.mahout in Action2.2第一个例子

Running a first recommender engine

数据：

第一个数字是用户ID 第二个是书的ID，第三个是用户对书的评分，1-5 越高，表示用户越喜欢

1,101,5.0

1,102,3.0

1,103,2.5

2,101,2.0

2,102,2.5

2,103,5.0

2,104,2.0

3,101,2.5

3,104,4.0

3,105,4.5

3,107,5.0

4,101,5.0

4,103,3.0

4,104,4.5

4,106,4.0

5,101,4.0

5,102,3.0

5,103,2.0

5,104,4.0

5,105,3.5

5,106,4.0

1-5 用户对不同书的喜好程度如下图所示：

直觉上看这个图，用户1和用户5喜好很相似，都喜欢101，对102，103只是喜欢那么一点点。可以说非常相似。1和4其次，也很相似，都很喜欢101，不怎么喜欢103。

1和2的喜好貌似完全相反，1喜欢101，而2不喜欢。等等。。。

那么。考察用户1，我们推荐什么书给他呢？

101 102 103他已经知道了，在剩下的书中，我们选取哪几个呢？直觉告诉我们，1和4，5号用户很相似，因此，我们应该用4.5的喜好推测1的喜好，进行推荐。那么4，5都很喜欢104，106，我们就应该推荐这两本书给1.

人的内心是这么思考的，代码怎么表示出来呢？

   
   
   
   

    
    
    
    
 
     publicstaticvoid main(String[] args)throwsException{ 
    
    
    
    
    
 
     File modelFile =null; 
    
    
    
    
    
 
     if(args.length >0) 
    
    
    
    
    
 
      modelFile =newFile(args[0]); 
    
    
    
    
    
 
     if(modelFile ==null||!modelFile.exists()) 
    
    
    
    
    
 
      modelFile =newFile("intro.csv");加载文件 
    
    
    
    
    
 
     if(!modelFile.exists()){ 
    
    
    
    
    
 
     System.err.println("Please, specify name of file, or put file 'input.csv' into current directory!"); 
    
    
    
    
    
 
     System.exit(1); 
    
    
    
    
    
 
     } 
    
    
    
    
    
 
     DataModel model =newFileDataModel(modelFile); 
    
    
    
    
    
 
       
    
    
    
    
    
 
     UserSimilarity similarity =newPearsonCorrelationSimilarity(model); 
    
    
    
    
    
 
     UserNeighborhood neighborhood = 
    
    
    
    
    
 
     newNearestNUserNeighborhood(2, similarity, model); 
    
    
    
    
    
 
       
    
    
    
    
    
 
     Recommender recommender =newGenericUserBasedRecommender( 
    
    
    
    
    
 
      model, neighborhood, similarity); 
    
    
    
    
    
 
       
    
    
    
    
    
 
     List<RecommendedItem> recommendations = 
    
    
    
    
    
 
      recommender.recommend(1,1);推荐，对于用户1 推荐一个 
    
    
    
    
    
 
       
    
    
    
    
    
 
     for(RecommendedItem recommendation : recommendations){ 
    
    
    
    
    
 
     System.out.println(recommendation); 
    
    
    
    
    
 
     } 
    
    
    
    
    
 
       
    
    
    
    
    
 
     } 
    
   
   
   
   

程序输出：

RecommendedItem [item:104, value:4.257081]

结果说明 推荐104 因为相应的评分为4.25

下一章节讲述怎么评价这个结果，这个和我们做生物研究实验一样，就是检验自己的结果的可信性。如果检验可信度高，就可以认为我们的理论是正确的。我们生物经常用到的是T检验，K检验等等，都是经典的理论。

Charles 于2015-12-17 Phnom Penh

版权说明：

本文由Charles Dong原创，本人支持开源以及免费有益的传播，反对商业化谋利。

CSDN博客：http://blog.csdn.net/mrcharles

个人站：http://blog.xingbod.cn

EMAIL：[email protected]