mahout推薦9-進行推薦

基於用戶的推薦和基於物品的推薦

兩種算法，均依賴於兩個事物（用戶或物品）之間的類似性度量（等同性定義），類似性度量的方法：PearsonCorrealation皮爾遜相關係數,對數似然值Loglikelihood,斯皮爾曼相關係數SpearmanCorrelation,谷本系數TanimotoCoefficient等。

推薦算法：Slope-one,基於SVD和基於聚類的推薦算法。

基於用戶的推薦：

代碼示例：

	public static void main(String[] args) throws Exception {
		//裝載數據文件，實現存儲，併爲計算提供所需的全部偏好，用戶和物品數據
		DataModel model = new FileDataModel(new File("data/intro.csv"));
		//用戶類似度，給出兩個用戶的類似度，有多種度量方式，封裝了用戶間類似性的概念
		UserSimilarity similarity = new PearsonCorrelationSimilarity(model);
		//用戶鄰居，與給定用戶最類似的一組用戶，封裝了最類似用戶組的概念
		UserNeighborhood neighborhood = new NearestNUserNeighborhood(2,
				similarity, model);
		//推薦引擎，合併這些組件，實現推薦
		Recommender recommender = new GenericUserBasedRecommender(model,
				neighborhood, similarity);
		//爲用戶1推薦一件物品1,1
		List<RecommendedItem> recommendedItems = recommender.recommend(1, 1);
		//輸出
		for (RecommendedItem item : recommendedItems) {
			System.out.println(item);
		}
	}

 引入新的類似性度量，結果就會發生顯著的變化。mahout推薦是由 多個組件搭配而成，而非單一的推薦引擎，其餘各個組件的組合能夠定製，從而針對特定應用提供理想的推薦。

　　一、數據模型，有datamodel實現

　　2.用戶間的類似性度量，由usersimilarity實行

　　3.用戶鄰域的定義，有userneighborhood實現

　　4.推薦引擎，由一個recommender實現（此處爲GenericUserBasedRecommender）