Mahout之数据承载

转载自：https://www.douban.com/note/204399134/

推荐数据的处理是大规模的，在集群环境下一次要处理的数据可能是数GB，所以Mahout针对推荐数据进行了优化。

Preference

在Mahout中，用户的喜好被抽象为一个Preference，包含了userId，itemId和偏好值（user对item的偏好）。Preference是一个接口，它有一个通用的实现是GenericPreference。

Preference

但因为用户的喜好数据是大规模的，我们通常会选择把它放入集合或者数组。但是因为Java的对象的内存消耗机制，在大数据量下使用Collection<Preference>和Preference[]是非常低效的。为什么呢？

在Java中，一个对象占用的字节数 = 基本的8字节 + 基本数据类型所占的字节 + 对象引用所占的字节

（1）先说这基本的8字节

在JVM中，每个对象（数组除外）都有一个头，这个头有两个字，第一个字存储对象的一些标志位信息，如：锁标志位、经历了几次gc等信息；第二个字节是一个引用，指向这个类的信息。JVM为这两个字留了8个字节的空间。 这样一来的话，new Object()就占用了8个字节，那怕它是个空对象

（2） 基本类型所占用的字节数

byte/boolean   1bytes

char/short       2bytes

int/float           4bytes

double/long     8bytes

（3）对象引用所占用的字节数

reference        4bytes

注：实际中，有数据成员的话，要把数据成员按基本类型和对象引用分开统计。基本类型按(2)进行累加，然后对齐到8个倍数；对象引用按每个4字节进行累加，然后对齐到8的倍数。

class test {
    Integer i;
    long     l;
    byte     b;
}

占 8(基本) + 16(数据成员——基本类型：8 + 1，对齐到8) + 8(数据成员——对象引用Integer，4，对齐到8) = 32字节

如此一来的话，一个GenericPreference的对象就需要占用28个字节，userId(8bytes) + itemId(8bytes) + preference(4bytes) + 基本的8bytes = 28。如果我们使用了Collection<Preference>和Preference[]，就会浪费很多这基本的8字节。设想如果我们的数据量是上GB或是上TB，这样的开销是很难承受的。

为此Mahout封装了一个PreferenceArray，用于保存一组用户喜好数据，为了优化性能，Mahout给出了两个实现类：GenericUserPreferenceArray和GenericItemPreferenceArray，分别按照用户和物品本身对用户偏好进行组装，这样就可以压缩用户ID或者物品ID的空间。

PreferenceArray

GenericUserPreferenceArray

我们看到，GenericUserPreferenceArray包含了一个userId，一个itemId的数组long[]，一个用户的喜好评分数据float[]，而不是一个Preference对象的集合，它只有较少的对象需要被创建和gc的检查。

用《Mahout in action》一书中的原话“mahout has alreadly reinvented an 'array of Java objects'”——"mahout已经重新改造了Java对象数组"。PreferenceArray和它的具体实现减少的内存开销远远比它的的复杂性有价值，它减少了近75%的内存开销（相对于Java的对象集合）

除了PreferenceArray，Mahout中还大量使用了像Map和Set这些非常典型的数据结构，但是Mahout没有直接使用像HashMap和TreeSet这些常用的Java集合实现，取而代之的是专门为Mahout推荐的需要实现了两个API，FastByIDMap和FastIDSet，之所以专门封装了这两个数据结构，主要目的是为了减少内存的开销，提高性能。它们之间主要有以下区别：

* 和HashMap一样，FastByIDMap也是基于hash的。不过FastByIDMap使用的是线性探测来解决hash冲突，而不是分离链；

* FastByIDMap的key和值都是long类型，而不是Object，这是基于节省内存开销和改善性能所作的改良；

* FastByIDMap类似于一个缓存区，它有一个“maximum size”的概念，当我们添加一个新元素的时候，如果超过了这个size，那些使用不频繁的元素就会被移除。

FastByIDMap和FastIDSet在存储方面的改进非常显著。FastIDSet的每个元素平均占14字节，而HashSet而需要84字节；FastByIDMap的每个entry占28字节，而HashMap则需要84字节。

DataModel Mahout推荐引擎实际接受的输入是DataModel，它是对用户喜好数据的压缩表示。DataModel的具体实现支持从任意类型的数据源抽取用户喜好信息，可以很容易的返回输入的喜好数据中关联到一个物品的用户ID列表和count计数，以及输入数据中所有用户和物品的数量。具体实现包括内存版的GenericDataModel，支持文件读取的FileDataModel和支持数据库读取的JDBCDataModel。

DataModel

GenericDataModel是DataModel的内存版实现。适用于在内存中构造推荐数据，它仅只是作为推荐引擎的输入接受用户的喜好数据，保存着一个按照用户ID和物品ID进行散列的PreferenceArray，而PreferenceArray中对应保存着这个用户ID或者物品ID的所有用户喜好数据。

GenericDataModel

FileDataModel支持文件的读取，Mahout对文件的格式没有太多严格的要求，只要满足一下格式就OK：

*  每一行包含一个用户Id，物品Id，用户喜好

*  逗号隔开或者Tab隔开

*  *.zip 和 *.gz 文件会自动解压缩（Mahout 建议在数据量过大时采用压缩的数据存储）

FileDataModel从文件中读取数据，然后将数据以GenericDataModel的形式载入内存，具体可以查看FileDataModel中的buildModel方法。

JDBCDataModel支持对数据库的读取操作，Mahout提供了对MySQL的默认支持MySQLJDBCDataModel，它对用户喜好数据的存储有以下要求：

* 用户ID列需要是BIGINT而且非空

* 物品ID列需要是BIGINT而且非空

* 用户喜好值列需要是FLOAT

* 建议在用户ID和物品ID上建索引

有的时候，我们会忽略用户的喜好值，仅仅只关心用户和物品之间存不存在关联关系，这种关联关系在Mahout里面叫做“boolean preference”。 之所以会有这类喜好，是因为用户和物品的关联要么存在，要么不存在，记住只是表示关联关系存不存在，不代表喜欢和不喜欢。实际上一条“boolean preference”可有三个状态：喜欢、不喜欢、没有任何关系。

在喜好数据中有大量的噪音数据的情况下，这种特殊的喜好评定方式是有意义的。 同时Mahout为“boolean preference”提供了一个内存版的DataModel——GenericBooleanPrefDataModel

GenericBooleanPrefDataModel

可以看到，GenericBooleanPrefDataModel没有对喜好值进行存储，仅仅只存储了关联的userId和itemId，注意和GenericDataModel的差别，GenericBooleanPrefDataModel采用了FastIDSet，只有关联的Id，没有喜好值。因此它的一些方法（继承自DataModel的）如getItemIDsForUser()有更好的执行速度，而getPreferencesFromUser()的执行速度会更差，因为GenericBooleanPrefDataModel本来就没存储喜好值，它默认用户对物品的喜好值都是1.0

@Override
public Float getPreferenceValue(long userID, long itemID) throws NoSuchUserException {
	FastIDSet itemIDs = preferenceFromUsers.get(userID);
	if (itemIDs == null) {
		throw new NoSuchUserException(userID);
	}
	if (itemIDs.contains(itemID)) {
		return 1.0f;
	}   

	return null;
}

利用mahout解决冷启动问题的一些建议：

Mahout 中对于冷启动问题并没有专门的实现，原因很简单，目前的 Mahout 只是一个机器学习算法库（框架），它不是一个推荐系统或推荐引擎。不过，我们还是可以利用 Mahout 中提供的一些算法帮助我们解决冷启动。

对于新用户，（1）如果是一个注册用户并且已经登录，但没有发生任何用户行为（比如评论、分享、收藏、购买），那么我们可以拿他的注册信息，根据他的性别、年龄、所在地等信息进行推荐，也就是基于人口统计特征的推荐（Demographic-based）；（2）如果是一个注册用户但没有登录，那么我们可以通过 cookie 去识别用户，这个时候 cookie 和 userId 有同等的功效，解决的办法也就和（1）类似了。顺便罗嗦几句，一个成熟的推荐系统能够做到在用户未登录的情况下也能进行推荐，这就告诉我们，标识用户的除了 userId，还有 cookie，所以可以在记录用户喜好的表里增加一列用来存储用户的 cookie，这个视实际情况而定（对于 SNS 站点，如微博需要登录才能使用，不存在此类问题，但是对于淘宝就存在此问题）；（3）对于未注册的新访客，因为没有人口统计信息，所以一般通过一些热卖推荐、随机推荐引导用户浏览、点击、收藏、注册，让用户在网站上发生一些有价值的行为，然后再根据这些行为进行推荐。

对于新物品，只要有物品的属性，那怕没有任何人对它进行评分，也是可以进行推荐的，方法就是根据物品的属性去推荐，也就是基于内容的推荐（Content-based），通过物品的属性去计算物品之间的相关度。举个例子，如果新加入的物品是一本刚出版的《HBase: The Definitive Guide》，没有任何用户对它进行过评分或购买，假设这个时候有一个用户对《Hadoop in Action》有了很高的评分，那么我们就可以把《HBase: The Definitive Guide》推荐给这个用户，因为这两本书用着共同的属性和特点：计算机、分布式、大数据 ...

那么如何利用 Mahout 帮忙解决新用户和新物品的冷启动问题呢？一个简单的方法是聚类。对于新用户，我们根据他们的人口统计信息去聚类，把用户划分成一个一个的簇；新物品也是一样的，可以利用物品的属性，如果没有属性，可以对物品的介绍和描述进行分词，抽取出物品的属性和关键词描述，然后根据属性和关键词去聚类，把物品划分成一个一个的簇。Mahout 中对聚类有专门的实现，可以关注我后面的日记和博文。

你的最后一个问题，如何根据好友的喜好进行推荐？说直接点，也就是如何利用社交数据进行推荐？随着 SNS 的流行，这种推荐方法也逐渐被重视，推荐的方法也很简单：从社交网站获取用户的好友列表，然后在目标网站中搜索好友列表中每一个好友喜欢的物品，然后推荐给用户。通常用户的好友列表是来源于外部的 SNS 网站，最普遍的就是通过开放的 API 授权后获取（微博、QQ空间都是这样），而用户的喜好 userId、itemId、preference 存储在目标网站的 MySQL 或者缓存中。需要做的仅只是 查找、过滤、排序 那么简单。

推荐的书籍和资料：《Mahout in Action》、《推荐系统实践》，ReSysChina