前面的两篇文章分别使用Spark mllib ALS实现了Model-based协同过滤推荐系统和使用Mahout实现了User-based的协同过滤推荐系统。
我们再来回顾一下item-base CF算法的特点：

• 物品数明显小于用户数的场合，否则物品相似度矩阵计算代价很大
• 适合长尾物品丰富，用户个性化需求强的领域
• 对新用户友好，对新物品不友好，因为物品相似度矩阵不需要很强的实时性
• 利用用户历史行为做推荐解释，比较令用户信服

所以item-base挺适合做电影的推荐。当用户浏览某个电影的时候，我们可以推荐给他类似的电影，或者根据用户以前的观影记录，推荐他感兴趣的电影。
本文还是以mahout 非分布式计算的方式实现。因为电影的记录比较少(166条),计算量不是很大。

代码也非常的简单，我们还是以皮尔逊算法计算相似度：

public class DoubanItemBasedRecommender {      public static void main(String[] args) throws Exception {          String base = args[0];          File file = new File(base + "user_movies.csv");          DoubanFileDataModel model = new DoubanFileDataModel(file);          ItemSimilarity similarity = new PearsonCorrelationSimilarity(model);          ItemBasedRecommender recommender = new GenericItemBasedRecommender(model, similarity);          BatchItemSimilarities batch = new MultithreadedBatchItemSimilarities(recommender, 5);          int numSimilarities = batch.computeItemSimilarities(Runtime.getRuntime().availableProcessors(), 1, new FileSimilarItemsWriter(new File(base + "item_result.csv")));          System.out.println("Computed " + numSimilarities + " similarities for " + model.getNumItems() + " items " + "and saved them to file " + base + "item_result.csv");      }  }

......  25821461,26253733,0.8279288411140442  25821461,26252196,0.819756031036377  25821461,26366634,0.8181818127632141  25821461,25919385,0.7033082246780396  25821585,26328118,0.794719398021698  25821585,22556810,0.7655318379402161  25821585,1972724,0.6770924925804138  25821585,25809260,0.6347297430038452  ......

电影 25821461 (旅程终点) 的信息如下：

和它相似度比较高的电影如下：

推荐还不错，基本都属于剧情，喜剧类型，而且都是国外的，没有推荐战争，科幻或者武侠类的。