Mahout學習筆記-推薦演算法

  Mahout中的推薦演算法主要有：User-based Recommender, Item-based Recommender和Slope-One Recommender。

  1. User-based Recommender

    該演算法的主要思想是：與使用者u最相似的使用者喜歡的商品有很大可能也是使用者u喜歡的商品。

1 對於使用者u的每一個沒有preference的商品i2    對於每一個對商品i有preference的使用者v3      計算使用者u與v的相似性s//實際上無需線上計算，可以事先計算好儲存起來4      將使用者v對於商品i的preference，乘以s，加到使用者u對商品i的預測preference的平均值5  返回使用者u的平均值最高的幾個商品作為推薦商品。

 

  上述演算法需要窮舉每個商品i，導致計算非常非常慢。可以實現計算好某個使用者u的所有的鄰居(記為集合n)，然後，再為使用者u做推薦時，只需要考慮使用者u的鄰居的所有有preference的商品即可，而無需考慮所有商品，演算法如下：

1 對於每個其他的使用者w2   計算使用者u與使用者w之間的相似性s3 返回使用者u的相似性最高的幾個使用者，記為使用者u的鄰居n4 //上述步驟可以離線完成，類似於索引5 對於使用者u的每個u本身沒有preference，但是u的鄰居n中某個使用者有preference的商品i6   對於每個對商品i有preference的使用者u的鄰居v7     計算使用者u與v的相似性//其實無需線上計算，可以提前計算好，儲存起來8       將使用者v對於商品i的preference，乘以s，加到使用者u對商品i的預測preference的平均值

  2. Item-based Recommender

    該演算法的主要思想是：喜歡商品i的使用者u，有很大可能性會喜歡和商品i很相似的其他商品

1 對於使用者u的每個沒有preference的商品i2   對於每個使用者u有preference的商品j3     計算商品i與j的相似性s4     把使用者u對商品j的preference，乘以s，加到使用者u對商品i的preference的平均值5 返回使用者u的平均值最高的幾個商品作為推薦商品

  3. Slope-One Recommender

    首先計算每兩個商品之間preference差值的平均值

1 對於某個商品i2   對於某個商品j3     對於每個對商品i和j都有preference的使用者u4       將使用者u對商品i和商品j的preference的差值加到所有使用者對商品i和商品j的差值的平均值當中去  

    推薦

1 對於使用者u的每個沒有preference的商品i2   對於使用者u的每個有preference的商品j3     取得商品i和商品j的preference差值的平均值diff4     將diff加上u對商品j的preference的和加入使用者u對商品i的preference的平均值當中去5     返回使用者u的預測preference最高的幾個商品作為推薦

 

  [1] Mahout in Action