mahout in Action2.2-给用户推荐图书（1）-直观分析和代码_mahout in action 附带的源代码怎么用-CSDN博客

本文链接：https://blog.csdn.net//mrcharles/article/details/50357259

This chapter covers

 What recommenders are, within Mahout

 A first look at a recommender in action

 Evaluating the accuracy and quality of

recommender engines

 Evaluating a recommender on a real

data set: GroupLens

1.mahout in Action2.2第一个例子

Running a first recommender engine

数据：

第一个数字是用户ID 第二个是书的ID，第三个是用户对书的评分，1-5 越高，表示用户越喜欢

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

1-5 用户对不同书的喜好程度如下图所示：

直觉上看这个图，用户1和用户5喜好很相似，都喜欢101，对102，103只是喜欢那么一点点。可以说非常相似。1和4其次，也很相似，都很喜欢101，不怎么喜欢103。

1和2的喜好貌似完全相反，1喜欢101，而2不喜欢。等等。。。

那么。考察用户1，我们推荐什么书给他呢？

101 102 103他已经知道了，在剩下的书中，我们选取哪几个呢？直觉告诉我们，1和4，5号用户很相似，因此，我们应该用4.5的喜好推测1的喜好，进行推荐。那么4，5都很喜欢104，106，我们就应该推荐这两本书给1.

人的内心是这么思考的，代码怎么表示出来呢？

  
  
   
   
    
    publicstaticvoid main(String[] args)throwsException{
   
   
   
   
    
    File modelFile =null;
   
   
   
   
    
    if(args.length >0)
   
   
   
   
    
    		  modelFile =newFile(args[0]);
   
   
   
   
    
    if(modelFile ==null||!modelFile.exists())
   
   
   
   
    
    		  modelFile =newFile("intro.csv");加载文件
   
   
   
   
    
    if(!modelFile.exists()){
   
   
   
   
    
    System.err.println("Please, specify name of file, or put file 'input.csv' into current directory!");
   
   
   
   
    
    System.exit(1);
   
   
   
   
    
    }
   
   
   
   
    
    DataModel model =newFileDataModel(modelFile);
   
   
   
   
    
     
   
   
   
   
    
    UserSimilarity similarity =newPearsonCorrelationSimilarity(model);
   
   
   
   
    
    UserNeighborhood neighborhood =
   
   
   
   
    
    newNearestNUserNeighborhood(2, similarity, model);
   
   
   
   
    
     
   
   
   
   
    
    Recommender recommender =newGenericUserBasedRecommender(
   
   
   
   
    
            model, neighborhood, similarity);
   
   
   
   
    
     
   
   
   
   
    
    List<RecommendedItem> recommendations =
   
   
   
   
    
            recommender.recommend(1,1);推荐，对于用户1 推荐一个
   
   
   
   
    
     
   
   
   
   
    
    for(RecommendedItem recommendation : recommendations){
   
   
   
   
    
    System.out.println(recommendation);
   
   
   
   
    
    }
   
   
   
   
    
     
   
   
   
   
    
    }