java mahout使用教程_Mahout Java推荐引擎(一)
最近产品有一个需求是 给用户推荐 用户可能喜欢的东西
后来找到了Mahout这套引擎 这里主要记录一下 基于用户的协同过滤算法推荐引擎使用
基于用户的协同过滤算法 原理的话 网上有很多资料 这里就不详解算法了 只记录Mahout的使用
引入Maven
Mahout 自己引入了hadoop 而我不需要 就将它给剔除了
org.apache.mahout
mahout-core
org.apache.hadoop
hadoop-core
0.9
数据模型
在Mahout引擎中 当需要给某一个用户进行推荐的时候 肯定要基于现有的数据进行推荐
//数据格式
userId,itemId,preference
例如:
1,2,3.2 //1表示用户ID 2表示为itemID 3.2表示用户对这个item的喜好程度
这里需要注意的是 用户ID 和 ItemId 都只能为整数类型
我们先来随机生成一些用户和Item 并且让他们关联上
ps:这里 我使用了SnowFlake算法的ID生成器(百度上可以找到) 生成的都是长整数的ID
//以下是生成一些随机关联数据的代码
Random random = new Random();
LinkedList userId = new LinkedList<>();
LinkedList itemId = new LinkedList<>();
//拼接用户关联Item的数据
StringBuffer data = new StringBuffer();
//拼接用户
StringBuffer user = new StringBuffer();
//生成一千个Item
for (int i = 0; i < 1000; i++) {
Long aLong = IdGeneratorCore.generatorId();
itemId.add(aLong);
}
//生成一百个用户
for (int i = 0; i < 100; i++) {
Long uId = IdGeneratorCore.generatorId();
userId.add(uId);
//拷贝一份Item列表
ArrayList itemArray = new ArrayList<>();
itemArray.addAll(itemId);
//给这个用户 随机关联一些Item 随机数量为200以内
int count = random.nextInt(200);
for (int j = 0; j < count; j++) {
//随机取一个角标
int randomIndex = random.nextInt(itemArray.size());
Long id = itemArray.get(randomIndex);
itemArray.remove(randomIndex);
data.append(uId).append(",").append(id).append(",").append(
//随机生成5以内的喜好程度
Float.valueOf(random.nextInt(5)
)).append("\r\n");
}
user.append(uId).append(" count:").append(count).append("\r\n");
}
//存储用户关联Item的数据
FileOutputStream dataOut = new FileOutputStream(new File("D:/data.txt"));
//存储用户ID 和 他关联的数量 实际开发中 这个不需要存储 我这里存储只是为了后面方便测试
FileOutputStream userOut = new FileOutputStream(new File("D:/user.txt"));
dataOut.write(data.toString().getBytes());
userOut.write(data.toString().getBytes());
最后生成的用户关联Item的数据如下
479260143402353209,479260143402353204,1.0
479260143402353209,479260143402352676,2.0
479260143402353209,479260143402352897,1.0
479260143402353209,479260143398158518,1.0
479260143402353209,479260143398158594,0.0
479260143402353209,479260143402353063,3.0
..... 很多数据 我就不全贴上来了
最后生成的用户ID 和 关联的Item数量如下
479261239340434044 count:84
479261239344627712 count:185
479261239353016320 count:117
479261239353016321 count:115
479261239357210624 count:184
479261239365599232 count:75
479261239365599233 count:74
.....
构建File数据模型
当我们的用户关联Item的数据 存储在本地文件的时候 可以使用这种方式进行构建
//File 数据Model
DataModel dataModel = new FileDataModel(new File("D:/data.txt"));
其他方式构建数据模型
基于File文件的话 构建起来比较简单 如果是直接通过数据库 Redis之类读取出来的数据进行构建 会有些复杂
//假设这是数据库
ClassPathResource classPathResource = new ClassPathResource("data.txt");
File file = classPathResource.getFile();
//假设lines 是从数据库读取出来的每一行数据
List lines = Files.readLines(file, Charset.defaultCharset());
FastByIDMap> linkedListFastByIDMap = new FastByIDMap<>();
int size = lines.size();
for (int i = 0; i < size; i++) {
String lien = lines.get(i);
if (lien.length() == 0) continue;
//按逗号分隔
String[] split = lien.split(",");
//用户ID
Long uId = Long.valueOf(split[0]);
//Item Id
Long itemId = Long.valueOf(split[1]);
//喜好程度
Float value = Float.valueOf(split[2]);
//创建该用户下的item list
LinkedList preferences = linkedListFastByIDMap.get(uId);
if (preferences == null) preferences = new LinkedList<>();
//构建偏好
GenericPreference genericPreference = new GenericPreference(uId, itemId, value);
preferences.add(genericPreference);
//重新写入map集合
linkedListFastByIDMap.put(uId, preferences);
}
//遍历map集合
Set>> entries = linkedListFastByIDMap.entrySet();
// 构建偏好集合
FastByIDMap arrayFastByIDMap = new FastByIDMap<>();
for (Map.Entry> entry : entries) {
Long key = entry.getKey();
LinkedList value = entry.getValue();
arrayFastByIDMap.put(key, new GenericUserPreferenceArray(value));
}
//最后 构建数据模型
DataModel dataModel = new GenericDataModel(arrayFastByIDMap);
构建推荐接口
//用户相似度模型
UserSimilarity userSimilarity = new PearsonCorrelationSimilarity(dataModel);
//构建 近邻对象 threshold 是相似阈值 这个数值越高 推荐精准越高 但是推荐的数据也越少 最高为 你给用户设置的喜好值最高值 也就是preference的最高值
float threshold = 0f;
UserNeighborhood neighborhood = new ThresholdUserNeighborhood(threshold, userSimilarity, dataModel);
//构建推荐器
UserBasedRecommender recommender = new GenericUserBasedRecommender(dataModel, neighborhood, userSimilarity);
//开始推荐 一参数为用户ID 二参数为 要推荐Item数量
//我随便在用户列表里拿一个ID试试
List recommend = recommender.recommend(479261239365599232L, 10);
for (RecommendedItem recommendedItem : recommend) {
System.out.println(recommendedItem);
}
最后输出结果为
可以看到的是 它是按照preference的降序进行排序的 第一个是preference 喜好最高的为:4.0
到此 基于用户协同过滤推荐算法 就结束了 这段时间忙完了 再研究研究其他的算法
itemId:479261239340434028 preference:4.0
itemId:479261239332044812 preference:3.9843752
itemId:479261239340433731 preference:3.897294
itemId:479261239340433625 preference:3.8967257
itemId:479261239332045030 preference:3.8551462
itemId:479261239340433657 preference:3.8387406
itemId:479261239340433426 preference:3.7195482
itemId:479261239340433980 preference:3.7163606
itemId:479261239340433897 preference:3.7102416
itemId:479261239340433914 preference:3.7042284
java mahout使用教程_Mahout Java推荐引擎(一)相关推荐
- java mahout使用教程_Mahout使用简例
剖析mahout脚本 mahout 位于$MAHOUT_HOME/bin目录下,是所有mahout调用的入口. 主要会做各类环境变量的设置. MAHOUT_JAVA_HOME:指定java的执行路劲, ...
- mahout+Eclipse,使用 Taste 构建推荐引擎实例 – 电影推荐引擎
使用 Taste 构建推荐引擎实例 – 电影推荐引擎 根据上面的步骤,我们可以得到一个简单的推荐引擎 demo 环境,下面介绍如何使用 Taste 方便地构建自定义的推荐引擎. 抽取 Taste 工具 ...
- Java经典入门教程!java工程师的进阶之路
1. 前言 大家都知道,Postman是一个非常受欢迎的API接口调试工具,提供有Chrome扩展插件版和独立的APP,不过它的很多高级功能都需要付费才能使用. 如果你连Postman都还没有用过,不 ...
- Mahout实战---运行第一个推荐引擎
创建输入 创建intro.csv文件,内容如下 1,101,5.0 1,102,3.0 1,103,2.52,101,2.0 2,102,2.5 2,103,5.0 2,104,2.03,101,2. ...
- 转:Java NIO系列教程(一)Java NIO 概述
Java NIO 由以下几个核心部分组成: Channels Buffers Selectors 虽然Java NIO 中除此之外还有很多类和组件,但在我看来,Channel,Buffer 和 Sel ...
- java详细安装教程一一java(jdk)安装
一.java历史简介 1991 年Sun公司的James Gosling等人开始开发名称为 Oak (橡树)的语言.希望用于控制嵌入在有线电视交换盒.PDA等的微处理器, 1994年将Oak语言更名为 ...
- java的rest教程_[Java教程]SpringMVC的REST风格的四种请求方式
[Java教程]SpringMVC的REST风格的四种请求方式 0 2017-08-28 22:00:25 一. 在HTTP 协议里面,四个表示操作方式的动词:GET.POST.PUT.DELETE. ...
- java 坦克大战 教程_[Java教程]坦克大战(一)
[Java教程]坦克大战(一) 0 2016-09-16 08:00:05 坦克大战(一) 相信大家对坦克大战都不陌生,并且网上也有很多用java实现的小程序,最近用了几天时间将其使用javaScri ...
- Java经典入门教程!java集合框架面试
JAVA基础 JAVA异常分类及处理 异常分类 异常的处理方式 Throw和throws的区别 JAVA反射 动态语言 反射机制概念 (运行状态中知道类所有的属性和方法) Java反射API 反射使用 ...
最新文章
- 单招计算机应用基础试题及答案,对口单招计算机应用基础模拟试题
- VTK:图片之Interpolation
- Python 进阶之路 (八) 最用心的推导式详解 (附简单实战及源码)
- 前端学习 -- 颜色
- 3测试图片显示置信度_云上的移动性能测试平台
- 【项目管理】管理良好沟通
- c# c均值聚类及DBSCAN聚类
- 【转】更改navigationController push和pop界面切换动画
- 分享三:mysql跨库查询
- atitit.团队建设总结o6o fix
- paip.快速查找定位文件VS2010
- python热狗大战
- Cisco IOS镜像文件的下载地址
- mtk android 源代码下载,MTK手机开发之路--MTK源代码下载
- xposed框架定位修改怎么用_硬核!教你三种方法,实现微信自定义修改地区!
- 自媒体时代,人人可做的自媒体(附自媒体教程,少走弯路)
- ,英式发音和美式发音有什么区别
- 毕业设计 基于单片机的交通安全车辆测速系统 - 嵌入式 物联网
- 贪心高性能神经网络与AI芯片应用
- 让假照片原形毕露?今日水印相机上线“照片验真”功能
热门文章
- java vb 速度_使用VB.NET加快代码开发速度
- Oracle表分区概念和实战
- 游戏中的数学之魔塔数学
- addition过程 sgnb_5G NSA Option 3x组网完整接入流程系统性介绍!
- ts(typescript): 报错
- Ansoft安装报错reg_ansys.exe ERROR:Error3221227010
- hadoop如何使用linux命令,hadoop命令_Linux使用hadoop dfs命令的方法
- db2判断字符为空_DB2函数——常用函数整理
- 如何使用自己电脑搭建一个外网可以访问的服务器
- webrtc远程教学系统