mahout推荐9-进行推荐

基于用户的推荐和基于物品的推荐

两种算法，均依赖于两个事物（用户或物品）之间的相似性度量（等同性定义），相似性度量的方法：PearsonCorrealation皮尔逊相关系数,对数似然值Loglikelihood,斯皮尔曼相关系数SpearmanCorrelation,谷本系数TanimotoCoefficient等。

推荐算法：Slope-one,基于SVD和基于聚类的推荐算法。

基于用户的推荐：

代码示例：

	public static void main(String[] args) throws Exception {
		//装载数据文件，实现存储，并为计算提供所需的所有偏好，用户和物品数据
		DataModel model = new FileDataModel(new File("data/intro.csv"));
		//用户相似度，给出两个用户的相似度，有多种度量方式，封装了用户间相似性的概念
		UserSimilarity similarity = new PearsonCorrelationSimilarity(model);
		//用户邻居，与给定用户最相似的一组用户，封装了最相似用户组的概念
		UserNeighborhood neighborhood = new NearestNUserNeighborhood(2,
				similarity, model);
		//推荐引擎，合并这些组件，实现推荐
		Recommender recommender = new GenericUserBasedRecommender(model,
				neighborhood, similarity);
		//为用户1推荐一件物品1,1
		List<RecommendedItem> recommendedItems = recommender.recommend(1, 1);
		//输出
		for (RecommendedItem item : recommendedItems) {
			System.out.println(item);
		}
	}

 引入新的相似性度量，结果就会发生显著的变化。mahout推荐是由 多个组件搭配而成，而非单一的推荐引擎，其他各个组件的组合可以定制，从而针对特定应用提供理想的推荐。

　　1、数据模型，有datamodel实现

　　2.用户间的相似性度量，由usersimilarity实行

　　3.用户邻域的定义，有userneighborhood实现

　　4.推荐引擎，由一个recommender实现（此处为GenericUserBasedRecommender）