Mahout建基于用户的推荐模型

这里我们用mahout建简单的基于用户的推荐。

工程环境

数据集

创建基于用户的推荐

评估

前提条件

1. 已经安装好Eclipse环境

2. 下载完成mahout配置包

工程环境

打开eclipse，新建一个maven项目



使用默认工作环境



选择快速开始



设置基本信息：

Group ID：com.recommenderExample

Artifact ID：MahoutRecommender

默认版本：0.0.1-SNAPSHOT

包：com.recommenderExample.MahoutRecommender



创建完成



项目右键->新建->文件夹



分别创建：

data：用于存放数据集

lib：用于引入其他数据库(主要为mahout数据库)



将下载的mahout压缩包解压，复制jar包到Lib文件夹下





右键点击项目->配置环境



点击添加jar包，添加刚引入的包

数据集

Mahout推荐算法是希望将用户与项之间的关系作为输入进行计算，这里采用最简单的txt文本方式保存数据。

我们用”dataset.csv”来保存数据，分别代表userID,itemID,value。

数据集：

1,10,1.0

1,11,2.0

1,12,5.0

1,13,5.0

1,14,5.0

1,15,4.0

1,16,5.0

1,17,1.0

1,18,5.0

2,10,1.0

2,11,2.0

2,15,5.0

2,16,4.5

2,17,1.0

2,18,5.0

3,11,2.5

3,12,4.5

3,13,4.0

3,14,3.0

3,15,3.5

3,16,4.5

3,17,4.0

3,18,5.0

4,10,5.0

4,11,5.0

4,12,5.0

4,13,0.0

4,14,2.0

4,15,3.0

4,16,1.0

4,17,4.0

4,18,1.0

点击data文件夹(右键)->新建->文件，命名 dataset.csv



将数据文件拖到面板中，复制上面的数据

创建基于用户的推荐

在App类中创建数据模型：

DataModel model = new FileDataModel(new File("/path/to/dataset.csv"));

我们根据其他相似品味用户的信息来推断特定用户的推荐，用相互作用关系来推断彼此之间的联系：

UserSimilarity similarity = new PearsonCorrelationSimilarity(model);

定义相似的用户，超过0.1的可能性则认为是相似的：

UserNeighborhood neighborhood = new ThresholdUserNeighborhood(0.1, similarity, model);

根据数据模型、相似信息、相似用户来创建推荐：

UserBasedRecommender recommender = new GenericUserBasedRecommender(model, neighborhood, similarity);

显示推荐信息：

List recommendations = recommender.recommend(2, 3);
for (RecommendedItem recommendation : recommendations) {
System.out.println(recommendation);
}

运行：

可以看出：用户2 中 item12的阅读值为4.8328104，item13的阅读值为4.6656213，item13的阅读值为4.331242。用户2最可能购买的是item12，13，14。



对于警告：可以添加slf4j-nop-1.7.7.jar解决。

评估

我们区分数据集为两种：

90% trainingset

10% testset

创建新类：EvaluateRecommender





创建实现RecommenderBuilder接口的类MyRecommenderBuilder:

class myRecommenerBuilder implements RecommenderBuilder{
public Recommender buildRecommender(DataModel dataModel) throws TasteException {
UserSimilarity similarity = new PearsonCorrelationSimilarity(dataModel);
UserNeighborhood neighborhood = new ThresholdUserNeighborhood(0.1, similarity, dataModel);
return new GenericUserBasedRecommender(dataModel, neighborhood, similarity);
}

}

测试代码：

DataModel model = new FileDataModel(new File("data/dataset.csv"));
RecommenderEvaluator evaluator = new AverageAbsoluteDifferenceRecommenderEvaluator();
RecommenderBuilder builder = new myRecommenderBuilder();
double result = evaluator.evaluate(builder, null, model, 0.9, 1.0);
System.out.println(result);

进行测试(每次运行结果不同，值越低越好)：