Mahout--（一）数据承载

mahout API英文解释：https://builds.apache.org/job/Mahout-Quality/javadoc/

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。包括了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

但由于用户的喜好数据是大规模的，我们一般会选择把它放入集合或者数组。可是由于Java的对象的内存消耗机制，在大数据量下使用Collection<Preference>和Preference[]是很低效的。

为什么呢？

     

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

（1）先说这主要的8字节

在JVM中，每一个对象（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；对象引用按每一个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的对象就须要占用28个字节，userId(8bytes) + itemId(8bytes) + preference(4bytes) + 主要的8bytes = 28。假设我们使用了Collection<Preference>和Preference[]。就会浪费非常多这主要的8字节。设想假设我们的数据量是上GB或是上TB，这种开销是非常难承受的。

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，分别依照用户和物品本身对用户偏好进行组装，这样就能够压缩用户ID或者物品ID的空间。

PreferenceArray

GenericUserPreferenceArray

我们看到，GenericUserPreferenceArray包括了一个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。它仅仅有较少的对象须要被创建和gc的检查。



用《Mahout in action》一书中的原话“mahout has alreadly reinvented an 'array of Java objects'”——"mahout已经又一次改造了Java对象数组"。PreferenceArray和它的详细实现降低的内存开销远远比它的的复杂性有价值。它降低了近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这些很典型的数据结构。可是Mahout没有直接使用像HashMap和TreeSet这些经常使用的Java集合实现，取而代之的是专门为Mahout推荐的须要实现了两个API。FastByIDMap和FastIDSet。之所以专门封装了这两个数据结构。主要目的是为了降低内存的开销，提高性能。

它们之间主要有下面差别：

* 和HashMap一样。FastByIDMap也是基于hash的。只是FastByIDMap使用的是线性探測来解决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，当我们加入一个新元素的时候。假设超过了这个size，那些使用不频繁的元素就会被移除。



FastByIDMap和FastIDSet在存储方面的改进很显著。FastIDSet的每一个元素平均占14字节，而HashSet而须要84字节；FastByIDMap的每一个entry占28字节，而HashMap则须要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的详细实现支持从随意类型的数据源抽取用户喜好信息。能够非常easy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。以及输入数据中全部用户和物品的数量。详细实现包含内存版的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。它仅仅仅是作为推荐引擎的输入接受用户的喜好数据，保存着一个依照用户ID和物品ID进行散列的PreferenceArray，而PreferenceArray中相应保存着这个用户ID或者物品ID的全部用户喜好数据。

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，仅仅要满足一下格式就OK：

* 每一行包括一个用户Id。物品Id。用户喜好

* 逗号隔开或者Tab隔开

* *.zip 和 *.gz 文件会自己主动解压缩（Mahout 建议在数据量过大时採用压缩的数据存储）

FileDataModel从文件里读取数据，然后将数据以GenericDataModel的形式加载内存。详细能够查看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下面要求：

* 用户ID列须要是BIGINT并且非空

* 物品ID列须要是BIGINT并且非空

* 用户喜好值列须要是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，仅仅仅仅关心用户和物品之间存不存在关联关系，这样的关联关系在Mahout里面叫做“boolean preference”。 之所以会有这类喜好，是由于用户和物品的关联要么存在，要么不存在，记住仅仅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、没有不论什么关系。

在喜好数据中有大量的噪音数据的情况下，这样的特殊的喜好评定方式是有意义的。 同一时候Mahout为“boolean preference”提供了一个内存版的DataModel——GenericBooleanPrefDataModel

GenericBooleanPrefDataModel

能够看到，GenericBooleanPrefDataModel没有对喜好值进行存储。仅仅仅仅存储了关联的userId和itemId。注意和GenericDataModel的区别。GenericBooleanPrefDataModel採用了FastIDSet。仅仅有关联的Id，没有喜好值。

因此它的一些方法（继承自DataModel的）如getItemIDsForUser()有更好的运行速度。而getPreferencesFromUser()的运行速度会更差，由于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;

}

提问：

在mahout框架下，我现阶段学习到的是仅仅实用户对某些物品进行评分了，才干对这个用户进行推荐。可是假设用户刚登陆，没有其它的操作，如何进行推荐呀(我知道在mahout有个匿名用户的推荐方式）？可是，用户已经输入了他的一些兴趣爱好了。如何依据这些兴趣爱好对用户进行推荐呀。 



还有，就是新增加的物品。仅仅有这些物品的一些属性，没有不论什么人对它进行评分，怎样依据属性将它推荐给用户呢？ 



还有我有一些好友了。如何依据好友的喜欢的物品进行推荐给我呀，在评分表中不是仅仅要用户id。物品id，和偏好。如何在当中区分出好友来呢？？？？？

回答：

首先纠正你问题中的一点错误，Mahout
中有一个 Preference 的特殊实现 —— BooleanPreference（“布尔喜好值”）。通过这个特殊的 Preference 实现，Mahout 将不会关注用户对物品的详细评分。而仅仅是关注用户和物品之间有没有某种关联（比方点击、购买等），所以你的问题中提到的即使用户没有对物品进行评分。Mahout 也能够完毕对用户的推荐。 



对于你的问题，我发现主要是疑惑怎样利用 Mahout 去解决推荐时的冷启动，包含用户冷启动（新用户）和物品冷启动（新物品）。这应该说是每个推荐系统都会面临着的问题，因此推荐系统的研究者们想出了非常多的解决方式，只是非常抱歉，Mahout 中对于冷启动问题并没有专门的实现。原因非常easy，眼下的 Mahout
仅仅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。只是。我们还是能够利用 Mahout 中提供的一些算法帮助我们解决冷启动。 



对于新用户。（1）假设是一个注冊用户而且已经登录。但没有发生不论什么用户行为（比方评论、分享、收藏、购买），那么我们能够拿他的注冊信息，依据他的性别、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）假设是一个注冊用户但没有登录，那么我们能够通过 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可以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添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。如微博须要登录才干使用，不存在此类问题。可是对于淘宝就存在此问题）；（3）对于未注冊的新訪客。由于没有人口统计信息，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、注冊，让用户在站点上发生一些有价值的行为，然后再依据这些行为进行推荐。

对于新物品，仅仅要有物品的属性，那怕没有不论什么人对它进行评分，也是能够进行推荐的，方法就是依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。举个样例。如果新增加的物品是一本刚出版的《HBase: The Definitive Guide》，没有不论什么用户对它进行过评分或购买，如果这个时候有一个用户对《Hadoop
in Action》有了非常高的评分。那么我们就能够把《HBase: The Definitive Guide》推荐给这个用户，由于这两本书用着共同的属性和特点：计算机、分布式、大数据 ... 



那么怎样利用 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，我们依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，能够利用物品的属性。假设没有属性。能够对物品的介绍和描写叙述进行分词，抽取出物品的属性和关键词描写叙述，然后依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，能够关注我后面的日记和博文。 



你的最后一个问题，怎样依据好友的喜好进行推荐？说直接点，也就是怎样利用社交数据进行推荐？随着 SNS 的流行，这样的推荐方法也逐渐被重视，推荐的方法也非常easy：从社交站点获取用户的好友列表。然后在目标站点中搜索好友列表中每个好友喜欢的物品。然后推荐给用户。

通经常使用户的好友列表是来源于外部的 SNS 站点。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 存储在目标站点的 MySQL 或者缓存中。须要做的仅仅仅是 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

学习mahout,可是苦于网上资源太少，太零散，只是这边博文讲得比較清楚和细致：网址：http://www.douban.com/note/204399134/