mahout基于用戶推薦的簡單例子（1）

jopen 8年前發布 | 24K 次閱讀機器學習

mahout是機器學習的一個工具，里面封裝了大量的機器學習的算法。

在Mahout實現的機器學習算法：

算法類	算法名	中文名
分類算法	Logistic Regression	邏輯回歸
Bayesian	貝葉斯
SVM	支持向量機
Perceptron	感知器算法
Neural Network	神經網絡
Random Forests	隨機森林
Restricted Boltzmann Machines	有限波爾茲曼機
聚類算法	Canopy Clustering	Canopy聚類
K-means Clustering	K均值算法
Fuzzy K-means	模糊K均值
Expectation Maximization	EM聚類（期望最大化聚類）
Mean Shift Clustering	均值漂移聚類
Hierarchical Clustering	層次聚類
Dirichlet Process Clustering	狄里克雷過程聚類
Latent Dirichlet Allocation	LDA聚類
Spectral Clustering	譜聚類
關聯規則挖掘	Parallel FP Growth Algorithm	并行FP Growth算法
回歸	Locally Weighted Linear Regression	局部加權線性回歸
降維/維約簡	Singular Value Decomposition	奇異值分解
Principal Components Analysis	主成分分析
Independent Component Analysis	獨立成分分析
Gaussian Discriminative Analysis	高斯判別分析
進化算法	并行化了Watchmaker框架
推薦/協同過濾	Non-distributed recommenders	Taste(UserCF, ItemCF, SlopeOne）
Distributed Recommenders	ItemCF
向量相似度計算	RowSimilarityJob	計算列間相似度
VectorDistanceJob	計算向量間距離
非Map-Reduce算法	Hidden Markov Models	隱馬爾科夫模型
集合方法擴展	Collections	擴展了java的Collections類

下面我簡單搭建個基于用戶的推薦。如果不太懂，什么叫基于用戶的推薦，可以先復習一下功課，找度娘。

package mahout;

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

public class UserRecommer {
    public static void main(String[] args) throws Exception {
        DataModel model = new FileDataModel(new File("xxx/intro.csv"));
        // 皮爾遜相似度算法。其他的還有好多相似度算法
        UserSimilarity similarity = new PearsonCorrelationSimilarity(model);

        UserNeighborhood neighborhood = new NearestNUserNeighborhood(2, similarity, model);
        // 生成推薦系統
        Recommender recommender = new GenericUserBasedRecommender(model, neighborhood, similarity);
        // 為用戶1推薦物品1
        List<RecommendedItem> recommendations = recommender.recommend(1, 1);

        for (RecommendedItem recommendation : recommendations)

        {
            System.out.println(recommendation);
        }
    }
}

結果如下：RecommendedItem[item:104, value:4.257081]

intro.csv文件內容：
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