基于Mapreduce的推荐器原理和实现

原理：item相似矩阵*user对item喜好矩阵   得到 预测的user对所有item的喜好矩阵（推荐度），排列取高

Recommender程序实现（初）：

CardID：卡号，对应于用户

ShopID：店铺标识

步骤1：

消费记录文件作为输入，生成用户（银行卡）数据、评分

MAP

在消费记录文件中，提取CardID、ShopID

输入：（Long，String），Long表示文件中的位置，String表示该行的消费记录

输出：（CardID，ShopID），如98955/ 590

REDUCE

先对每个用户统计ShopID，再跟据评分系统评分

输出：（CardID，Vector），Vector中存放该用户消费过的所有商铺和评分。如

98955/ [590:3.0, 22:4.0, 9059:1.0]

步骤2

步骤1的结果文件作为输入，衡量店铺的相关程度

MAP

输入：（CardID，Vector），如98955/ [590:3.0, 22:4.0, 9059:1.0]

输出：（ShopID1，【ShopID2：s12】），s12表示12的相关程度，如590/[22：12.0]

REDUCE

对每个店铺统计其他店铺的相关度

输出：（ShopID1，Vector），Vector中存放其他店铺和该店铺的相关度。如

590/[22：12.0，95：1.0，...，9059：3.0，...]

步骤3