Mahout之推荐算法基本实例

Mahout中主要核心的三大算法为推荐，聚类及分类算法，今天就最基本的推荐算法做总结，推荐中常用的两个推荐算法是”user_based”和”item_based”，前者主要通过和你兴趣相似的人来发现新的你感兴趣的东西，而后者则是发现一些和你所喜欢的事物相似的事物。此外，还有一种基于“contend_based”的推荐算法，它是根据事物所拥有的元数据出现进行事物的推荐，例如，如果你喜欢的电影是斯皮尔伯格导影的，那么你可以向你的朋友推荐他拍摄的其他影片，推荐的理由就是基于电影的一个属性——导演，这个就是基于内容的推荐。

下面将使用mahout来做一个小的推荐案例以供学习：

1.构建数据集
这里选取的常用的偏好来描述用户与项目之间的关联程度，一个偏好包含有用户ID，项目ID和偏好值，例如，用户对影片的评分值，评分值越大，代表用户对该影片的喜爱越好。
可以采用文本文件来保存该内容，如intro.csv:

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

2.建立简易推荐器
下面利用mathou提供的基本类包mahout-examples-0.10.0-job.jar来构建java代码程序，我们要实现的是根据用户的基本情况向User1推荐合适的影片，代码如下：

package com.recommeder.lg.example;

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