推荐系统之Mahout学习（四）

Recommender

构建一个最简单的recommender
简单流程为：
①：创建DataModel读取数据源文件（读入DataModel的文件的格式为：用户ID，物品ID，偏好值，时间戳）。
②：相似度计算。
③：如果是UserCF则需要使用选择近邻算法（NearestNUserNeighborhood 参数为（邻居个数，相似度，datamodel），ThresholdUserNeighborhood （用户百分比，相似度，datamodel）），如果不是则不需要这一步。
④：构建推荐器

import org.apache.mahout.cf.taste.impl.model.file.*;
import org.apache.mahout.cf.taste.impl.similarity.*;
import org.apache.mahout.cf.taste.impl.neighborhood.*;
import org.apache.mahout.cf.taste.impl.recommender.*;

import org.apache.mahout.cf.taste.model.DataModel;
import org.apache.mahout.cf.taste.similarity.*;
import org.apache.mahout.cf.taste.neighborhood.*;
import org.apache.mahout.cf.taste.recommender.*;

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

public class RecommenderIntro {
    private RecommenderIntro(){
    }

    public static void main(String[] args) throws Exception {
        DataModel model = new FileDataModel(new File("/root/data/*.csv"));//数据文件路径
        UserSimilarity similarity = new PearsonCorrelationSimilarity(model);//皮尔森距离，反映两个变量线性相关程度的统计量
        UserNeighborhood neighborhood = new NearestNUserNeighborhood(3,similarity,model);//选择邻近算法。三个参数分别是： 邻居的个数，用户相似度，数据模型    
        Recommender recommender = new GenericUserBasedRecommender(model, neighborhood, similarity);使用DataModel，NearestNUserNeighborhood作为近邻算法，PearsonCorrelationSimilarity相似度计算构建一个简单的基于用户的推荐器

        List<RecommendedItem> recommendedItems = recommender.recommend(2, 3);//这个函数中前一个表示对哪一个用户进行推荐，后一个表示推荐几个（为id为2的用户推荐3个）。

        for (RecommendedItem recommendedItem1: recommendedItems){
            System.out.println(recommendedItem1);//输出从相似度从高到低
        }

    }
}

输出结果：

PearsonCorrelationSimilarity的计算：

计算公式：PearsonCorrelationSimilarity是用协方差除以两个变量X，Y的标准差