Eclipse下mahout實現推薦的簡單一實例

資料準備：test.txt

第一列為UserID ，第二列為ItemID，第三列為Preference Value 即評分 [plain] view plain copy print ? 1,101,5   1,102,3   1,103,2.5   2,101,2   2,102,2.5   2,103,5   2,104,2   3,101,2.5   3,104,4   3,105,4.5   3,107,5   4,101,5   4,103,3   4,104,4.5   4,106,4   5,101,4   5,102,3   5,103,2   5,104,4   5,105,3.5   5,106,4  

1,101,51,102,31,103,2.52,101,22,102,2.52,103,52,104,23,101,2.53,104,43,105,4.53,107,54,101,54,103,34,104,4.54,106,45,101,45,102,35,103,25,104,45,105,3.55,106,4

eclipse中建立一個java工程，然後在src目錄下建立一個類RecommenderIntro (這裡只是做測試，就放在預設包下，不建立包了)，代碼如下： [java] view plain copy print ? 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.impl.similarity.*;   import org.apache.mahout.cf.taste.model.*;   import org.apache.mahout.cf.taste.neighborhood.*;   import org.apache.mahout.cf.taste.recommender.*;   import org.apache.mahout.cf.taste.similarity.*;   import java.io.*;   import java.util.*;   public class RecommenderIntro {       private RecommenderIntro(){};              public static void main (String args[])throws Exception{                   // step:1 構建模型 2 計算相似性 3 尋找k緊鄰 4 構造Recommendation Engine            DataModel  model =new FileDataModel(new File("/home/test/test-in/test.txt"));//檔案名稱一定要是絕對路徑            UserSimilarity similarity =new PearsonCorrelationSimilarity(model);           UserNeighborhood neighborhood =new NearestNUserNeighborhood(2,similarity,model);           Recommender recommender= new GenericUserBasedRecommender(model,neighborhood,similarity);           List<RecommendedItem> recommendations =recommender.recommend(1, 2);//為使用者1推薦兩個ItemID            for(RecommendedItem recommendation :recommendations){               System.out.println(recommendation);           }                  }   }  

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.impl.similarity.*;import org.apache.mahout.cf.taste.model.*;import org.apache.mahout.cf.taste.neighborhood.*;import org.apache.mahout.cf.taste.recommender.*;import org.apache.mahout.cf.taste.similarity.*;import java.io.*;import java.util.*;public class RecommenderIntro {private RecommenderIntro(){};public static void main (String args[])throws Exception{                // step:1 構建模型 2 計算相似性 3 尋找k緊鄰 4 構造Recommendation EngineDataModel  model =new FileDataModel(new File("/home/test/test-in/test.txt"));//檔案名稱一定要是絕對路徑UserSimilarity similarity =new PearsonCorrelationSimilarity(model);UserNeighborhood neighborhood =new NearestNUserNeighborhood(2,similarity,model);Recommender recommender= new GenericUserBasedRecommender(model,neighborhood,similarity);List<RecommendedItem> recommendations =recommender.recommend(1, 2);//為使用者1推薦兩個ItemIDfor(RecommendedItem recommendation :recommendations){System.out.println(recommendation);}}}

此時肯定會報錯，因為還沒有匯入任何相關Jar包，將mahout-core-0.4.jar導到工程中，此時代碼不會顯示有錯了

然後Run As 選擇Java Application，單機運行（當然叢集如果成功啟動的話，也可以在叢集上啟動並執行）。此時在運行後，會相繼報一些包不存在，根據提示，依次將包導到工程中。我在測試的過程中，先後匯入了slf4j-api-1.6.0.jar，slf4j-jcl-1.6.0.jar，google-collection-1.0-rc2.jar，commons-logging-1.1.1.jar，mahout-math-0.4.jar，uncommons-maths-1.2.jar，這些包都可以在mahout安裝目錄下的lib目錄下找到。經過一步步差包導包（控制台報什麼包不存在，我就找到相應包匯入）調試後，最後運行成功，結果如下：

RecommendedItem[item:104, value:4.257081]

RecommendedItem[item:106, value:4.0]

結果分析：找到使用者1的相似使用者2和使用者5，使用者2和使用者5共同有104，所以推薦分數高，但我不知道這個分數是怎麼算出來的。使用者2中沒有其它可以推薦，然後使用者5中還有105和106可以推薦，而106的評分比105高，所以第二個結果是106，不知道理解的對不對。只是自己猜測的，有知道其中內幕的和知道推薦分數怎麼算的，請留言分享一下，開源是促進相互學習的好方法，呵呵

然後看了一下mahout的taste工作原理，我將mahout安裝目錄下的mahout-taste-webapp-0.4.war放在tomcat安裝目錄下的webapps中，然後啟動tomcat，然後在瀏覽器中輸入：http://localhost:8080/mahout-taste-webapp-0.4/RecommenderService.jws ，可以看到Taste 提供的Web 服務提供者(即WebServices服務)，但卻不能根據使用者ID查詢，估計應該還要下載相應的資料集和jar包，詳見 基於 Apache Mahout 構建社會化Recommendation Engine

參考資料：

1.http://www.ibm.com/developerworks/cn/java/j-mahout/

2.http://blog.csdn.net/zhzhl202/article/details/6316570

3.http://www.ibm.com/developerworks/cn/java/j-lo-mahout/