mahout in Action研读（1）-给用户推荐图书

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？

 

 

 

public static void main(String[] args) throws Exception {

File modelFile = null;

if (args.length > 0)

modelFile = new File(args[0]);

if(modelFile == null || !modelFile.exists())

modelFile = new File("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 = new FileDataModel(modelFile);

 

UserSimilarity similarity = new PearsonCorrelationSimilarity(model);

UserNeighborhood neighborhood =

new NearestNUserNeighborhood(2, similarity, model);

 

Recommender recommender = new GenericUserBasedRecommender(

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);

}

 

}

 

 

 

 

程序输出：

 

RecommendedItem [item:104, value:4.257081]

 

结果说明 推荐104 因为相应的评分为4.25

 

下一章节讲述怎么评价这个结果，这个和我们做生物研究实验一样，就是检验自己的结果的可信性。如果检验可信度高，就可以认为我们的理论是正确的。我们生物经常用到的是T检验，K检验等等，都是经典的理论。