win环境下eclipse+maven+mahout的安装和简单基于用户协同推荐demo

开发环境

1. win10 64位
2. eclipse-java-2019-06-R-win32-x86_64
3. apache-maven-3.6.1
4. mahout-0.6
5. jdk-12.0.1

一，环境配置

JDK下载链接
下载成功后，如果选择exe文件直接安装，然后添加环境变量：
添加系统变量中变量名：JAVA_HOME 和变量值：此处是自己安装jdk的路径

添加路径：
编辑Path路径，添加jdk的bin目录

测试java环境是否安装成功：
打开cmd，输入java -version 和javac-version，显示版本号就ok！

Eclipse下载
Maven下载
个人选择的是apache-maven-3.6.1-bin.zip版本

下载后解压，放在自己熟悉的目录
配置环境变量，类似java，path中添加Maven的bin目录
D:\Maven\bin
修改conf目录中settings.xml文件

<?xml version="1.0" encoding="UTF-8"?>

<settings xmlns="http://maven.apache.org/SETTINGS/1.0.0"
    xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
    xsi:schemaLocation="http://maven.apache.org/SETTINGS/1.0.0 http://maven.apache.org/xsd/settings-1.0.0.xsd">
    
    <localRepository>D:\MavenProject\mahout\</localRepository>  

    <pluginGroups>
    </pluginGroups>

    <proxies>
    </proxies>

    <servers>
    </servers>
    <dependency>
    </dependency>

    <mirrors>
        <mirror>
            <id>aliyun</id>
            <name>aliyun Maven</name>
            <mirrorOf>*</mirrorOf>
            <url>http://maven.aliyun.com/nexus/content/groups/public/</url>
        </mirror>
    </mirrors>
    
    <profiles>
    </profiles>
    
    <activeProfiles>
    </activeProfiles>
</settings>

应用maven，选择窗口 --》首选项 --》Maven --》User Settings

二，创建Maven工程

点击 文件 --》新建–》项目 选择 Maven Project（我安装了汉化包，所以写的都是中文，英文自己对号入座）
点击 下一步，有个默认的Workspase location，可以自己更改

继续点击下一步，选择 maven-arcjetype-quickstart

点击下一步，填写Group Id 和Artifact Id，一般有都会有格式规矩，自己也可以按照自己的喜好写

点击完成，会有这样的目录

三，添加mahout依赖包，并完成推荐小demo

添加依赖来个简单粗暴的方式
点击pom.xml文件，添加如下：

<dependency>
		<groupId>org.apache.mahout</groupId>
		<artifactId>mahout-core</artifactId>
		<version>0.6</version>
</dependency>

Ctrl + s 保存，自动下载mahout依赖包
下面开始编写程序了

package cn.TJ.mahout_test;
import org.apache.mahout.cf.taste.common.TasteException;
import org.apache.mahout.cf.taste.impl.common.LongPrimitiveIterator;
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.EuclideanDistanceSimilarity;
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;
import org.apache.mahout.cf.taste.impl.similarity.PearsonCorrelationSimilarity;

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

class RecommenderIntro{
	public static void main(String[] args) throws TasteException,IOException {
		// 数据集路径
		String file = "D://MavenData//data.csv";
		/* 	步骤一：构建数据模型
		 将数据加载到内存中，基于文件的model，通过文件形式来读入,且此类型所需要读入的数据的格式要求很低，
		 UserCF和ItemCF算法的输入数据是用户偏好，用户偏好数据可以有两种形式：
			包含用户对目标评分的【用户ID，itemID，评分】 
			不包含评分的【用户ID，itemID】
		*/
        DataModel model = new FileDataModel(new File(file));
        /* 	步骤二：指定距离（相似度）计算方法
		 	用户偏好数据包含评分    
				欧氏距离：EuclideanDistanceSimilarity
				皮尔森距离：PearsonCorrelationSimilarity
				余弦距离：UncenteredCosineSimilarity
			用户偏好数据不包含评分   
				曼哈顿距离：CityBlockSimilarity
				对数似然距离： LogLikelihoodSimilarity
		*/
        UserSimilarity similarity = new PearsonCorrelationSimilarity(model);
        /*步骤三（仅UserCF需要）：选择近邻算法
         * NearestNUserNeighborhood 
				指定距离最近的N个用户作为邻居。
				示例：UserNeighborhood unb = new NearestNUserNeighborhood(10, us, dm);
				三个参数分别是： 邻居的个数，用户相似度，数据模型    
			ThresholdUserNeighborhood 
				指定距离最近的一定百分比的用户作为邻居。
				示例：UserNeighborhood unb = new ThresholdUserNeighborhood(0.2, us, dm); 
				三个参数分别是： 阀值（取值范围0到1之间），用户相似度，数据模型
          */
        UserNeighborhood neighborhood = new NearestNUserNeighborhood(2, similarity, model);
        /*步骤四：创建推荐器
		实施推荐算法的最后一步就是创建推荐引擎，Taste为UserCF和ItemCF算法，针对有用户评分和没用户评分的情况，分别提供了推荐器：
		
		用户偏好数据包含评分   
		示例代码：
			UserCF：Recommender re = new  GenericUserBasedRecommender(dm, unb, us);
			ItemCF：Recommender re = new  GenericItemBasedRecommender(dm, is);

		用户偏好数据不包含评分   
		示例代码：
			UserCF：Recommender re = new  GenericBooleanPrefUserBasedRecommender(dm, unb, us);
			ItemCF：Recommender  re = new  GenericBooleanPrefItemBasedRecommender(dm, is);*/        
        Recommender recommender = new GenericUserBasedRecommender(model, neighborhood, similarity);
        List<RecommendedItem> recommendatios = recommender.recommend(1, 1);
        for (RecommendedItem recommendation:recommendatios) {
        	System.out.println(recommendation);
        }
	}
}

数据集格式和内容

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