Eclipse下mahout实现推荐的简单实例

本BLOG转自here，感谢作者的辛苦~

数据准备：test.txt

第一列为UserID ，第二列为ItemID，第三列为Preference Value 即评分

 1,101,5
 1,102,3
 1,103,2.5
 2,101,2
 2,102,2.5
 2,103,5
 2,104,2
 3,101,2.5
 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

eclipse中新建一个java工程，然后在src目录下新建一个类RecommenderIntro (这里只是做测试，就放在默认包下，不新建包了)，代码如下：

 import org.apache.mahout.cf.taste.impl.model.file.*;
 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.model.*;
 import org.apache.mahout.cf.taste.neighborhood.*;
 import org.apache.mahout.cf.taste.recommender.*;
 import org.apache.mahout.cf.taste.similarity.*;
 import java.io.*;
 import java.util.*;
 public class RecommenderIntro {
     private RecommenderIntro(){};

     public static void main (String args[])throws Exception{
                 // step:1 构建模型 2 计算相似度 3 查找k紧邻 4 构造推荐引擎
         DataModel  model =new FileDataModel(new File("/home/test/test-in/test.txt"));//文件名一定要是绝对路径
         UserSimilarity similarity =new PearsonCorrelationSimilarity(model);
         UserNeighborhood neighborhood =new NearestNUserNeighborhood(2,similarity,model);
         Recommender recommender= new GenericUserBasedRecommender(model,neighborhood,similarity);
         List<RecommendedItem> recommendations =recommender.recommend(1, 2);//为用户1推荐两个ItemID
         for(RecommendedItem recommendation :recommendations){
             System.out.println(recommendation);
         }

     }
 }

此时肯定会报错，因为还没有导入任何相关Jar包，将mahout-core-0.4.jar导到工程中，此时代码不会显示有错了

然后Run As 选择Java Application，单机运行（当然集群如果成功启动的话，也可以在集群上运行的）。此时在运行后，会相继报一些包不存在，根据提示，依次将包导到工程中。我在测试的过程中，先后导入了slf4j-api-1.6.0.jar，slf4j-jcl-1.6.0.jar，google-collection-1.0-rc2.jar，commons-logging-1.1.1.jar，mahout-math-0.4.jar，uncommons-maths-1.2.jar，这些包都可以在mahout安装目录下的lib目录下找到。经过一步步差包导包（控制台报什么包不存在，我就找到相应包导入）调试后，最后运行成功，结果如下：

RecommendedItem[item:104, value:4.257081]

RecommendedItem[item:106, value:4.0]

结果分析：找到用户1的相似用户2和用户5，用户2和用户5共同有104，所以推荐分数高，但我不知道这个分数是怎么算出来的？用户2中没有其它可以推荐，然后用户5中还有105和106可以推荐，而106的评分比105高，所以第二个结果是106，不知道理解的对不对？只是自己猜测的，有知道其中内幕的和知道推荐分数怎么算的，请留言分享一下，开源是促进相互学习的好方法，呵呵

然后看了一下mahout的taste工作原理，我将mahout安装目录下的mahout-taste-webapp-0.4.war放在tomcat安装目录下的webapps中，然后启动tomcat，然后在浏览器中输入：http://localhost:8080/mahout-taste-webapp-0.4/RecommenderService.jws ，可以看到Taste 提供的Web 服务访问接口(即WebServices服务)，但却不能根据用户ID查询，估计应该还要下载相应的数据集和jar包，详见 基于 Apache Mahout 构建社会化推荐引擎

Mahout 连接数据库Mysql

import org.apache.mahout.cf.taste.common.TasteException;
import org.apache.mahout.cf.taste.impl.model.jdbc.MySQLJDBCDataModel;
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.model.DataModel;
import org.apache.mahout.cf.taste.model.JDBCDataModel;
import org.apache.mahout.cf.taste.neighborhood.*;
import org.apache.mahout.cf.taste.recommender.*;
import org.apache.mahout.cf.taste.similarity.*;


import com.mysql.jdbc.jdbc2.optional.*;
import java.util.*;
public class mahout_main {
public static void main(String[] args) throws TasteException {
long t1 = System.currentTimeMillis();
MysqlDataSource dataSource  = new MysqlDataSource(); // import com.mysql.jdbc.jdbc2.optional.*;
dataSource.setServerName("localhost");
dataSource.setUser("root");
dataSource.setPassword("*********");
dataSource.setDatabaseName("summer");
JDBCDataModel dataModel = new MySQLJDBCDataModel(dataSource, "test", "user", "item", "score", "time");
DataModel model = dataModel;
UserSimilarity similarity = new PearsonCorrelationSimilarity(model);
UserNeighborhood neighborhood = new NearestNUserNeighborhood(2, similarity, model);
Recommender recommender = new GenericUserBasedRecommender(model, neighborhood, similarity);
List<RecommendedItem> recommendations = recommender.recommend(1, 2);
for (RecommendedItem recommendation: recommendations) {
System.out.println(recommendation);
}
System.out.println("done and time spend:" + (System.currentTimeMillis() - t1));

}
}

参考资料：

1.http://www.ibm.com/developerworks/cn/java/j-mahout/

2.http://blog.csdn.net/zhzhl202/article/details/6316570

3.http://www.ibm.com/developerworks/cn/java/j-lo-mahout/