本文目的： 介紹一種常見推薦算法（用戶協同過濾）的使用。
應用場景： XXX項目運行一段時間後，系統中將會存在很多視頻信息， 而通常 APP 給用戶推送的消息（1-3條/每天），
那麼這就需要我們根據用戶的行爲特徵，進行更爲有效的推送。
工具介紹：mahout 協同過濾算法的使用， 下面將分別介紹 基於布爾型喜好值，數字喜好值，
以及jdbc dada model.
測試代碼：
/**
*
* 基於用戶近鄰協同過濾推薦算法,
* 本文目的：針對xxx後續廣告推薦算法，提供一些算法模型的參考
*
* @版權所有：來誼金融 版權所有 (c) 2015
* @author feihu.wang
* @version Revision 1.0.0
* @see:
* @創建日期：2015年5月18日
* @功能說明：
*
*/
public class CfTest {
public static void main(String[] args) {
try {
testBooleanPreference();
System.out.println("-------------------");
testMysqlDataModel();
} catch (Exception e) {
// TODO Auto-generated catch block
e.printStackTrace();
}
}
/**
*
* 基於帶喜好值的協同過濾算法.
*
* @throws Exception
* @author feihu.wang
* @since 2015年5月29日
*/
public static void test() throws Exception {
DataModel model = new FileDataModel(new File("E:\\projects\\code\\mahout_test\\pref.csv"));
//用戶相識度 ：皮爾森相關性相視度
//UserSimilarity sim = new PearsonCorrelationSimilarity(model);
//用戶相識度 ：歐式距離
UserSimilarity sim = new EuclideanDistanceSimilarity(model);
// 最近鄰算法
UserNeighborhood nbh = new NearestNUserNeighborhood(2, sim, model);
// 生成推薦引擎 : 基於用戶的協同過濾算法，
//還有基於物品的過濾算法，mahout 下面已經有很多實現
Recommender rec = new GenericUserBasedRecommender(model, nbh, sim);
// 爲用戶ID(1)推薦物品(數量2個)
List<RecommendedItem> recItemList = rec.recommend(1, 2);
for (RecommendedItem item : recItemList) {
System.out.println(item);
}
}
/**
*
* 基於布爾類型的喜好值.
*
* @throws Exception
* @author feihu.wang
* @since 2015年5月29日
*/
public static void testBooleanPreference() throws Exception {
DataModel dataModel = new FileDataModel(new File("E:\\projects\\code\\mahout_test\\data_nopref.csv"));
//用戶相識度 ：皮爾森相關性相視度
//UserSimilarity sim = new PearsonCorrelationSimilarity(model);
//用戶相識度 ：歐式距離
UserSimilarity sim = new LogLikelihoodSimilarity(dataModel);
// 最近鄰算法
UserNeighborhood nbh = new NearestNUserNeighborhood(2, sim, dataModel);
// 生成推薦引擎 : 基於用戶的協同過濾算法，
//還有基於物品的過濾算法，mahout 下面已經有很多實現
//Recommender rec = new GenericUserBasedRecommender(model, nbh, sim);
Recommender rec = new GenericBooleanPrefUserBasedRecommender(dataModel, nbh, sim);
// 爲用戶ID(1)推薦物品(數量2個)
List<RecommendedItem> recItemList = rec.recommend(1, 3);
for (RecommendedItem item : recItemList) {
System.out.println(item);
}
}
/**
*
* 基於mysql 的data model.
*
* @throws Exception
* @author feihu.wang
* @since 2015年5月29日
*/
public static void testMysqlDataModel() throws Exception {
MysqlDataSource dataSource = new MysqlDataSource();
dataSource.setServerName("localhost");
dataSource.setUser("root");
dataSource.setPassword("123456");
dataSource.setDatabaseName("mahout");
DataModel model = new MySQLJDBCDataModel(dataSource, "prefs", "USER_ID", "ITEM_ID", "SCORE", "CREATETIME");
UserSimilarity similarity = new LogLikelihoodSimilarity(model);
UserNeighborhood neighborhood = new NearestNUserNeighborhood(2, similarity, model);
Recommender recommender = new GenericBooleanPrefUserBasedRecommender(model, neighborhood, similarity);
List<RecommendedItem> recommendations = recommender.recommend(1, 3);
for (RecommendedItem recommendation : recommendations) {
System.out.println(recommendation);
}
}
public static FastByIDMap<FastIDSet> toDataMap(DataModel dataModel) throws TasteException {
FastByIDMap<FastIDSet> data = new FastByIDMap<FastIDSet>(dataModel.getNumUsers());
LongPrimitiveIterator it = dataModel.getUserIDs();
while (it.hasNext()) {
long userID = it.nextLong();
data.put(userID, dataModel.getItemIDsFromUser(userID));
}
return data;
}
}測試數據：
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
pom 依賴：
<dependency> <groupId>org.apache.mahout</groupId> <artifactId>mahout-core</artifactId> <version>0.9</version> </dependency> <dependency> <groupId>org.apache.mahout</groupId> <artifactId>mahout-math</artifactId> <version>0.9</version> </dependency>