Mahout - 推荐

• 基于用户的推荐器，
• 基于项目的推荐器，以及
• 其他几种算法。

Mahout 推荐引擎

Mahout 有一个非分布式、非基于 Hadoop 的推荐引擎。您应该传递一个包含用户对项目的偏好的文本文档。并且该引擎的输出将是特定用户对其他项目的估计偏好。

示例

考虑一个销售手机、小工具及其配件等消费品的网站。如果我们想在这样的网站中实现 Mahout 的功能，那么我们可以构建一个推荐引擎。该引擎会分析用户过去的购买数据 并据此推荐新产品。

Mahout 提供的用于构建推荐引擎的组件如下：

• DataModel
• UserSimilarity
• ItemSimilarity
• UserNeighborhood
• Recommender

从数据存储中，准备数据模型并将其作为输入传递给推荐引擎。推荐引擎会为特定用户生成推荐。下面给出了推荐引擎的架构。

推荐引擎的架构

使用 Mahout 构建推荐器

以下是开发简单推荐器的步骤：

步骤 1：创建数据模型对象

PearsonCorrelationSimilarity 类的构造函数需要一个数据模型 对象，它保存一个包含产品的用户、项目和偏好详细信息的文件。以下是示例数据模型文件：

1,00,1.0
1,01,2.0
1,02,5.0
1,03,5.0
1,04,5.0

2,00,1.0
2,01,2.0
2,05,5.0
2,06,4.5
2,02,5.0

3,01,2.5
3,02,5.0
3,03,4.0
3,04,3.0

4,00,5.0
4,01,5.0
4,02,5.0
4,03,0.0

DataModel 对象需要文件对象，其中包含输入文件的路径。创建 DataModel 对象，如下所示。

DataModel datamodel = new FileDataModel(new File("input file"));

步骤 2：创建 UserSimilarity 对象

使用 PearsonCorrelationSimilarity 类创建 UserSimilarity 对象，如下所示：

UserSimilarity similarity = new PearsonCorrelationSimilarity(datamodel);

步骤 3：创建 UserNeighborhood 对象

此对象计算与给定用户相似的用户的"邻域"。有两种类型的邻域：

• NearestNUserNeighborhood - 此类计算由距离给定用户最近的 n 个用户组成的邻域。"最近"由给定的 UserSimilarity 定义。

• ThresholdUserNeighborhood - 此类计算由与给定用户的相似度达到或超过特定阈值的所有用户组成的邻域。相似度由给定的 UserSimilarity 定义。

这里我们使用 ThresholdUserNeighborhood 并将偏好限制设置为 3.0。

UserNeighborhood vicinity = new ThresholdUserNeighborhood(3.0, similarity, model);

步骤 4：创建推荐器对象

创建 UserbasedRecomender 对象。将上述创建的所有对象传递给其构造函数，如下所示。

UserBasedRecommender recommender = new GenericUserBasedRecommender(model, vicinity, similarity);

步骤 5：向用户推荐商品

使用 Recommender 接口的 recommend() 方法向用户推荐商品。此方法需要两个参数。第一个表示我们需要向其发送推荐的用户的用户 ID，第二个表示要发送的推荐数量。以下是 recommender() 方法的用法：

List<RecommendedItem> recommendations = recommender.recommend(2, 3);

for (RecommendedItem recommendation : recommendations) {
   System.out.println(recommendation);
 }

示例程序

下面给出了一个设置推荐的示例程序。为用户 ID 为 2 的用户准备推荐。

import java.io.File;
import java.util.List;

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

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

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

public class Recommender {
   public static void main(String args[]){
      try{
         //Creating data model
         DataModel datamodel = new FileDataModel(new File("data")); //data
      
         //Creating UserSimilarity object.
         UserSimilarity usersimilarity = new PearsonCorrelationSimilarity(datamodel);
      
         //Creating UserNeighbourHHood object.
         UserNeighborhood userneighborhood = new ThresholdUserNeighborhood(3.0, usersimilarity, datamodel);
      
         //Create UserRecomender
         UserBasedRecommender recommender = new GenericUserBasedRecommender(datamodel, userneighborhood, usersimilarity);
        
         List<RecommendedItem> recommendations = recommender.recommend(2, 3);
			
         for (RecommendedItem recommendation : recommendations) {
            System.out.println(recommendation);
         }
      
      }catch(Exception e){}
      
   }
  }

使用以下命令编译程序：

javac Recommender.java
java Recommender

它应该产生以下输出：

RecommendedItem [item:3, value:4.5]
RecommendedItem [item:4, value:4.0]