mahout推薦1

標籤：blog   java   io   檔案   資料   for   ar   div   

1、準備資料：

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、編程實現：

　　目的：為使用者1推薦一件商品看看：

package mahout;import java.io.File;import java.util.List;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.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;/** * 基於使用者的推薦程式 * @author Administrator * */public class RecommenderIntro {public static void main(String[] args) throws Exception {//裝載資料檔案，實現儲存，並為計算提供所需的所有偏好，使用者和物品資料DataModel model = new FileDataModel(new File("data/intro.csv"));//使用者相似性，給出兩個使用者的相似性，有多種度量方式UserSimilarity similarity = new PearsonCorrelationSimilarity(model);//使用者鄰居，與給定使用者最相似的一組使用者UserNeighborhood neighborhood = new NearestNUserNeighborhood(2,similarity, model);//Recommendation Engine，合并這些組件，實現推薦Recommender recommender = new GenericUserBasedRecommender(model,neighborhood, similarity);//為使用者1推薦一件物品1,1List<RecommendedItem> recommendedItems = recommender.recommend(1, 1);//輸出for (RecommendedItem item : recommendedItems) {System.out.println(item);}}}

 輸出結果：

14/08/04 08:46:31 INFO file.FileDataModel: Creating FileDataModel for file data\intro.csv14/08/04 08:46:31 INFO file.FileDataModel: Reading file info...14/08/04 08:46:31 INFO file.FileDataModel: Read lines: 2114/08/04 08:46:31 INFO model.GenericDataModel: Processed 5 usersRecommendedItem[item:104, value:4.257081]

 當然也可以推薦多件商品，那就是將recommender.recommend(1,N)即可。

推薦效果不錯。