Mahout建基于用户的推荐模型

这里我们用mahout建简单的基于用户的推荐。

前提条件
1. 已经安装好Eclipse环境
2. 下载完成mahout配置包

工程环境

打开eclipse，新建一个maven项目

使用默认工作环境

选择快速开始

设置基本信息：
Group ID：com.recommenderExample
Artifact ID：MahoutRecommender
默认版本：0.0.1-SNAPSHOT
包：com.recommenderExample.MahoutRecommender

创建完成

项目右键->新建->文件夹

分别创建：
data：用于存放数据集
lib：用于引入其他数据库(主要为mahout数据库)

将下载的mahout压缩包解压，复制jar包到Lib文件夹下

右键点击项目->配置环境

点击添加jar包，添加刚引入的包

数据集

Mahout推荐算法是希望将用户与项之间的关系作为输入进行计算，这里采用最简单的txt文本方式保存数据。
我们用”dataset.csv”来保存数据，分别代表userID,itemID,value。
数据集：

1,10,1.0
1,11,2.0
1,12,5.0
1,13,5.0
1,14,5.0
1,15,4.0
1,16,5.0
1,17,1.0
1,18,5.0
2,10,1.0
2,11,2.0
2,15,5.0
2,16,4.5
2,17,1.0
2,18,5.0
3,11,2.5
3,12,4.5
3,13,4.0
3,14,3.0
3,15,3.5
3,16,4.5
3,17,4.0
3,18,5.0
4,10,5.0
4,11,5.0
4,12,5.0
4,13,0.0
4,14,2.0
4,15,3.0
4,16,1.0
4,17,4.0
4,18,1.0

点击data文件夹(右键)->新建->文件，命名 dataset.csv

将数据文件拖到面板中，复制上面的数据

创建基于用户的推荐

在App类中创建数据模型：

DataModel model = new FileDataModel(new File("/path/to/dataset.csv"));

我们根据其他相似品味用户的信息来推断特定用户的推荐，用相互作用关系来推断彼此之间的联系：

UserSimilarity similarity = new PearsonCorrelationSimilarity(model);

定义相似的用户，超过0.1的可能性则认为是相似的：

UserNeighborhood neighborhood = new ThresholdUserNeighborhood(0.1, similarity, model);

根据数据模型、相似信息、相似用户来创建推荐：

UserBasedRecommender recommender = new GenericUserBasedRecommender(model, neighborhood, similarity);

显示推荐信息：

List recommendations = recommender.recommend(2, 3);
for (RecommendedItem recommendation : recommendations) {
    System.out.println(recommendation);
}

运行：
可以看出：用户2 中 item12的阅读值为4.8328104，item13的阅读值为4.6656213，item13的阅读值为4.331242。用户2最可能购买的是item12，13，14。

对于警告：可以添加slf4j-nop-1.7.7.jar解决。

评估

我们区分数据集为两种：
90% trainingset
10% testset
创建新类：EvaluateRecommender

创建实现RecommenderBuilder接口的类MyRecommenderBuilder:

    class myRecommenerBuilder implements RecommenderBuilder{
        public Recommender buildRecommender(DataModel dataModel) throws TasteException {
            UserSimilarity similarity = new PearsonCorrelationSimilarity(dataModel);
            UserNeighborhood neighborhood = new ThresholdUserNeighborhood(0.1, similarity, dataModel);
            return new GenericUserBasedRecommender(dataModel, neighborhood, similarity);
        }

    }

测试代码：

DataModel model = new FileDataModel(new File("data/dataset.csv"));
        RecommenderEvaluator evaluator = new AverageAbsoluteDifferenceRecommenderEvaluator();
        RecommenderBuilder builder = new myRecommenderBuilder();
        double result = evaluator.evaluate(builder, null, model, 0.9, 1.0);
        System.out.println(result);

进行测试(每次运行结果不同，值越低越好)：