阅读导读：

1.Mahout中推荐过滤算法支持哪两种算法？

2.用java代码怎样计算男性用户打分过的图书？

3.itemEuclidean。userEuclideanNoPref各自是什么算法？





1.
项目背景

Amazon是最早的电子商务站点之中的一个。以网上图书起家，最后发展成为音像，电子消费品，游戏。生活用品等的综合性电子商务平台。Amazon的推荐系统，是互联网上最早的商品推荐系统，它为Amazon带来了至少30%的流量。和可观的销售利润。



现在推荐系统已经成为电子商务站点的标配，假设还没有推荐系统都不好意思，说自己是做电商的。

2.
需求分析

推荐系统如此重要，我们应该假设理解？

打开Amazon的Mahout In Action图书页面：

http://www.amazon.com/Mahout-Action-Sean-Owen/dp/1935182684/ref=pd_sim_b_1?

ie=UTF8&refRID=0H4H2NSSR8F34R76E2TP



网页上的元素：

  • 广告位：广告商投放广告的位置，站点能够靠网络广告赚钱，通常是网页最好的位置。
  • 平均分：用户对图书的打分
  • 关联规则：通过关联规则，推荐位
  • 协同过滤：通过基于物品的协同过滤算法的，推荐位
  • 图书属性：包含页数，出版社。ISBN，语言等
  • 作者介绍：有关作者的介绍，和作者的其它著作
  • 用户评分：用户评分行为
  • 用户评论：用户评论的内容



结合上面2张截图，我们不难发现，推荐对于Amazon的重要性。除了最明显的广告位给了能直接带来利润的广告商，网页中有4处推荐位，分别从不同的维度，用不同的推荐算法，猜用户喜欢的商品。

3.
数据说明

2个数据文件：

  • rating.csv ：用户评分行为数据
  • users.csv ：用户属性数据

1). book-ratings.csv

  • 3列数据：用户ID。图书ID, 用户对图书的评分
  • 记录数: 4000次的图书评分
  • 用户数: 200个
  • 图书数: 1000个
  • 评分：1-10

数据演示样例

1,565,3

1,807,2

1,201,1

1,557,9

1,987,10

1,59,5

1,305,6

1,153,3

1,139,7

1,875,5

1,722,10

2,977,4

2,806,3

2,654,8

2,21,8

2,662,5

2,437,6

2,576,3

2,141,8

2,311,4

2,101,3

2,540,9

2,87,3

2,65,8

2,501,6

2,710,5

2,331,9

2,542,4

2,757,9

2,590,7

2). users.csv

  • 3列数据：用户ID，用户性别，用户年龄
  • 用户数: 200个
  • 用户性别: M为男性，F为女性
  • 用户年龄: 11-80岁之间

数据演示样例

1,M,40

2,M,27

3,M,41

4,F,43

5,F,16

6,M,36

7,F,36

8,F,46

9,M,50

10,M,21

11,F,11

12,M,42

13,F,40

14,F,28

15,M,25

16,M,68

17,M,53

18,F,69

19,F,48

20,F,56

21,F,36

4.
算法模型

本文主要介绍Mahout的基于物品的协同过滤模型，其它的算法模型将不再这里解释。

针对上面的数据，我将用7种算法组合进行測试：有关Mahout算法组合的详解。请參考文章：从源码剖析Mahout推荐引擎



7种算法组合

  • userCF1: EuclideanSimilarity+ NearestNUserNeighborhood+ GenericUserBasedRecommender
  • userCF2: LogLikelihoodSimilarity+ NearestNUserNeighborhood+ GenericUserBasedRecommender
  • userCF3: EuclideanSimilarity+ NearestNUserNeighborhood+ GenericBooleanPrefUserBasedRecommender
  • itemCF1: EuclideanSimilarity + GenericItemBasedRecommender
  • itemCF2: LogLikelihoodSimilarity + GenericItemBasedRecommender
  • itemCF3: EuclideanSimilarity + GenericBooleanPrefItemBasedRecommender
  • slopeOne：SlopeOneRecommender

对上面的算法进行算法评估。有关于算法评估的详解。请參考文章：Mahout推荐算法API详解

  • 查准率:
  • 召回率(查全率):

5.
程序开发

系统架构：Mahout中推荐过滤算法支持单机算法和分步式算法两种。

单机算法: 在单机内存计算，支持多种算法推荐算法，部署执行简单，修正处理数据量有限

分步式算法: 基于Hadoop集群执行，支持有限的几种推荐算法。部署执行复杂，支持海量数据

watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvdTAxMzM2MTM2MQ==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/Center" alt="">



开发环境

  • Win7 64bit
  • Java 1.6.0_45
  • Maven3
  • Eclipse Juno Service Release 2
  • Mahout-0.8
  • Hadoop-1.1.2

开发环境mahout版本号为0.8。 请參考文章：用Maven构建Mahout项目



新建Java类：

  • BookEvaluator.java, 选出“评估推荐器”验证得分较高的算法
  • BookResult.java, 对指定数量的结果人工比較
  • BookFilterGenderResult.java，仅仅保留男性用户的图书列表

1). BookEvaluator.java, 选出“评估推荐器”验证得分较高的算法

源码

package org.conan.mymahout.recommendation.book;

import java.io.IOException;

import org.apache.mahout.cf.taste.common.TasteException;

import org.apache.mahout.cf.taste.eval.RecommenderBuilder;

import org.apache.mahout.cf.taste.model.DataModel;

import org.apache.mahout.cf.taste.neighborhood.UserNeighborhood;

import org.apache.mahout.cf.taste.similarity.ItemSimilarity;

import org.apache.mahout.cf.taste.similarity.UserSimilarity;

public class BookEvaluator {

    final static int NEIGHBORHOOD_NUM = 2;

    final static int RECOMMENDER_NUM = 3;

    public static void main(String[] args) throws TasteException, IOException {

        String file = "datafile/book/rating.csv";

        DataModel dataModel = RecommendFactory.buildDataModel(file);

        userEuclidean(dataModel);

        userLoglikelihood(dataModel);

        userEuclideanNoPref(dataModel);

        itemEuclidean(dataModel);

        itemLoglikelihood(dataModel);

        itemEuclideanNoPref(dataModel);

        slopeOne(dataModel);

    }

    public static RecommenderBuilder userEuclidean(DataModel dataModel) throws TasteException, IOException {

        System.out.println("userEuclidean");

        UserSimilarity userSimilarity = RecommendFactory.userSimilarity(RecommendFactory.SIMILARITY.EUCLIDEAN, dataModel);

        UserNeighborhood userNeighborhood = RecommendFactory.userNeighborhood(RecommendFactory.NEIGHBORHOOD.NEAREST, userSimilarity, dataModel, NEIGHBORHOOD_NUM);

        RecommenderBuilder recommenderBuilder = RecommendFactory.userRecommender(userSimilarity, userNeighborhood, true);

        RecommendFactory.evaluate(RecommendFactory.EVALUATOR.AVERAGE_ABSOLUTE_DIFFERENCE, recommenderBuilder, null, dataModel, 0.7);

        RecommendFactory.statsEvaluator(recommenderBuilder, null, dataModel, 2);

        return recommenderBuilder;

    }

    public static RecommenderBuilder userLoglikelihood(DataModel dataModel) throws TasteException, IOException {

        System.out.println("userLoglikelihood");

        UserSimilarity userSimilarity = RecommendFactory.userSimilarity(RecommendFactory.SIMILARITY.LOGLIKELIHOOD, dataModel);

        UserNeighborhood userNeighborhood = RecommendFactory.userNeighborhood(RecommendFactory.NEIGHBORHOOD.NEAREST, userSimilarity, dataModel, NEIGHBORHOOD_NUM);

        RecommenderBuilder recommenderBuilder = RecommendFactory.userRecommender(userSimilarity, userNeighborhood, true);

        RecommendFactory.evaluate(RecommendFactory.EVALUATOR.AVERAGE_ABSOLUTE_DIFFERENCE, recommenderBuilder, null, dataModel, 0.7);

        RecommendFactory.statsEvaluator(recommenderBuilder, null, dataModel, 2);

        return recommenderBuilder;

    }

    public static RecommenderBuilder userEuclideanNoPref(DataModel dataModel) throws TasteException, IOException {

        System.out.println("userEuclideanNoPref");

        UserSimilarity userSimilarity = RecommendFactory.userSimilarity(RecommendFactory.SIMILARITY.EUCLIDEAN, dataModel);

        UserNeighborhood userNeighborhood = RecommendFactory.userNeighborhood(RecommendFactory.NEIGHBORHOOD.NEAREST, userSimilarity, dataModel, NEIGHBORHOOD_NUM);

        RecommenderBuilder recommenderBuilder = RecommendFactory.userRecommender(userSimilarity, userNeighborhood, false);

        RecommendFactory.evaluate(RecommendFactory.EVALUATOR.AVERAGE_ABSOLUTE_DIFFERENCE, recommenderBuilder, null, dataModel, 0.7);

        RecommendFactory.statsEvaluator(recommenderBuilder, null, dataModel, 2);

        return recommenderBuilder;

    }

    public static RecommenderBuilder itemEuclidean(DataModel dataModel) throws TasteException, IOException {

        System.out.println("itemEuclidean");

        ItemSimilarity itemSimilarity = RecommendFactory.itemSimilarity(RecommendFactory.SIMILARITY.EUCLIDEAN, dataModel);

        RecommenderBuilder recommenderBuilder = RecommendFactory.itemRecommender(itemSimilarity, true);

        RecommendFactory.evaluate(RecommendFactory.EVALUATOR.AVERAGE_ABSOLUTE_DIFFERENCE, recommenderBuilder, null, dataModel, 0.7);

        RecommendFactory.statsEvaluator(recommenderBuilder, null, dataModel, 2);

        return recommenderBuilder;

    }

    public static RecommenderBuilder itemLoglikelihood(DataModel dataModel) throws TasteException, IOException {

        System.out.println("itemLoglikelihood");

        ItemSimilarity itemSimilarity = RecommendFactory.itemSimilarity(RecommendFactory.SIMILARITY.LOGLIKELIHOOD, dataModel);

        RecommenderBuilder recommenderBuilder = RecommendFactory.itemRecommender(itemSimilarity, true);

        RecommendFactory.evaluate(RecommendFactory.EVALUATOR.AVERAGE_ABSOLUTE_DIFFERENCE, recommenderBuilder, null, dataModel, 0.7);

        RecommendFactory.statsEvaluator(recommenderBuilder, null, dataModel, 2);

        return recommenderBuilder;

    }

    public static RecommenderBuilder itemEuclideanNoPref(DataModel dataModel) throws TasteException, IOException {

        System.out.println("itemEuclideanNoPref");

        ItemSimilarity itemSimilarity = RecommendFactory.itemSimilarity(RecommendFactory.SIMILARITY.EUCLIDEAN, dataModel);

        RecommenderBuilder recommenderBuilder = RecommendFactory.itemRecommender(itemSimilarity, false);

        RecommendFactory.evaluate(RecommendFactory.EVALUATOR.AVERAGE_ABSOLUTE_DIFFERENCE, recommenderBuilder, null, dataModel, 0.7);

        RecommendFactory.statsEvaluator(recommenderBuilder, null, dataModel, 2);

        return recommenderBuilder;

    }

    public static RecommenderBuilder slopeOne(DataModel dataModel) throws TasteException, IOException {

        System.out.println("slopeOne");

        RecommenderBuilder recommenderBuilder = RecommendFactory.slopeOneRecommender();

        RecommendFactory.evaluate(RecommendFactory.EVALUATOR.AVERAGE_ABSOLUTE_DIFFERENCE, recommenderBuilder, null, dataModel, 0.7);

        RecommendFactory.statsEvaluator(recommenderBuilder, null, dataModel, 2);

        return recommenderBuilder;

    }

}

控制台输出：

userEuclidean

AVERAGE_ABSOLUTE_DIFFERENCE Evaluater Score:0.33333325386047363

Recommender IR Evaluator: [Precision:0.3010752688172043,Recall:0.08542713567839195]

userLoglikelihood

AVERAGE_ABSOLUTE_DIFFERENCE Evaluater Score:2.5245869159698486

Recommender IR Evaluator: [Precision:0.11764705882352945,Recall:0.017587939698492466]

userEuclideanNoPref

AVERAGE_ABSOLUTE_DIFFERENCE Evaluater Score:4.288461538461536

Recommender IR Evaluator: [Precision:0.09045226130653267,Recall:0.09296482412060306]

itemEuclidean

AVERAGE_ABSOLUTE_DIFFERENCE Evaluater Score:1.408880928305655

Recommender IR Evaluator: [Precision:0.0,Recall:0.0]

itemLoglikelihood

AVERAGE_ABSOLUTE_DIFFERENCE Evaluater Score:2.448554412835434

Recommender IR Evaluator: [Precision:0.0,Recall:0.0]

itemEuclideanNoPref

AVERAGE_ABSOLUTE_DIFFERENCE Evaluater Score:2.5665197873957957

Recommender IR Evaluator: [Precision:0.6005025125628134,Recall:0.6055276381909548]

slopeOne

AVERAGE_ABSOLUTE_DIFFERENCE Evaluater Score:2.6893078179405814

Recommender IR Evaluator: [Precision:0.0,Recall:0.0]

可视化“评估推荐器”输出：

推荐的结果的平均距离

watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvdTAxMzM2MTM2MQ==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/Center" alt="">



推荐器的评分



仅仅有itemEuclideanNoPref算法评估的结果是很好的，其它算法的结果都不太好。

2). BookResult.java, 对指定数量的结果人工比較

为得到差异化结果，我们分别取4个算法：userEuclidean,itemEuclidean，userEuclideanNoPref，itemEuclideanNoPref，对推荐结果人工比較。

源码

package org.conan.mymahout.recommendation.book;

import java.io.IOException;

import java.util.List;

import org.apache.mahout.cf.taste.common.TasteException;

import org.apache.mahout.cf.taste.eval.RecommenderBuilder;

import org.apache.mahout.cf.taste.impl.common.LongPrimitiveIterator;

import org.apache.mahout.cf.taste.model.DataModel;

import org.apache.mahout.cf.taste.recommender.RecommendedItem;

public class BookResult {

    final static int NEIGHBORHOOD_NUM = 2;

    final static int RECOMMENDER_NUM = 3;

    public static void main(String[] args) throws TasteException, IOException {

        String file = "datafile/book/rating.csv";

        DataModel dataModel = RecommendFactory.buildDataModel(file);

        RecommenderBuilder rb1 = BookEvaluator.userEuclidean(dataModel);

        RecommenderBuilder rb2 = BookEvaluator.itemEuclidean(dataModel);

        RecommenderBuilder rb3 = BookEvaluator.userEuclideanNoPref(dataModel);

        RecommenderBuilder rb4 = BookEvaluator.itemEuclideanNoPref(dataModel);

        LongPrimitiveIterator iter = dataModel.getUserIDs();

        while (iter.hasNext()) {

            long uid = iter.nextLong();

            System.out.print("userEuclidean       =>");

            result(uid, rb1, dataModel);

            System.out.print("itemEuclidean       =>");

            result(uid, rb2, dataModel);

            System.out.print("userEuclideanNoPref =>");

            result(uid, rb3, dataModel);

            System.out.print("itemEuclideanNoPref =>");

            result(uid, rb4, dataModel);

        }

    }

    public static void result(long uid, RecommenderBuilder recommenderBuilder, DataModel dataModel) throws TasteException {

        List list = recommenderBuilder.buildRecommender(dataModel).recommend(uid, RECOMMENDER_NUM);

        RecommendFactory.showItems(uid, list, false);

    }

}

控制台输出：仅仅截取部分结果

...

userEuclidean       =>uid:63,

itemEuclidean       =>uid:63,(984,9.000000)(690,9.000000)(943,8.875000)

userEuclideanNoPref =>uid:63,(4,1.000000)(723,1.000000)(300,1.000000)

itemEuclideanNoPref =>uid:63,(867,3.791667)(947,3.083333)(28,2.750000)

userEuclidean       =>uid:64,

itemEuclidean       =>uid:64,(368,8.615385)(714,8.200000)(290,8.142858)

userEuclideanNoPref =>uid:64,(860,1.000000)(490,1.000000)(64,1.000000)

itemEuclideanNoPref =>uid:64,(409,3.950000)(715,3.830627)(901,3.444048)

userEuclidean       =>uid:65,(939,7.000000)

itemEuclidean       =>uid:65,(550,9.000000)(334,9.000000)(469,9.000000)

userEuclideanNoPref =>uid:65,(939,2.000000)(185,1.000000)(736,1.000000)

itemEuclideanNoPref =>uid:65,(666,4.166667)(96,3.093931)(345,2.958333)

userEuclidean       =>uid:66,

itemEuclidean       =>uid:66,(971,9.900000)(656,9.600000)(918,9.577709)

userEuclideanNoPref =>uid:66,(6,1.000000)(492,1.000000)(676,1.000000)

itemEuclideanNoPref =>uid:66,(185,3.650000)(533,3.617307)(172,3.500000)

userEuclidean       =>uid:67,

itemEuclidean       =>uid:67,(663,9.700000)(987,9.625000)(486,9.600000)

userEuclideanNoPref =>uid:67,(732,1.000000)(828,1.000000)(113,1.000000)

itemEuclideanNoPref =>uid:67,(724,3.000000)(279,2.950000)(890,2.750000)

...

我们查看uid=65的用户推荐信息：

查看user.csv数据集

> user[65,]

userid gender age

65     65      M  14

用户65，男性。14岁。

以itemEuclideanNoPref的算法的推荐结果。查看bookid=666的图书评分情况

> rating[which(rating$bookid==666),]

userid bookid pref

646      44    666   10

1327     89    666    7

2470    165    666    3

2697    179    666    7

发现有4个用户对666的图书评分。查看这4个用户的属性数据

> user[c(44,89,165,179),]

userid gender age

44      44      F  76

89      89      M  40

165    165      F  59

179    179      F  68

这4个用户，3女1男。

我们如果男性和男性有同样的图书兴趣。女性和女性有同样的图书偏好。

由于用户65是男性，所以我们接下来排除女性的评分者。仅仅保留男性评分者的评分记录。

3). BookFilterGenderResult.java。仅仅保留男性用户的图书列表

源码

package org.conan.mymahout.recommendation.book;

import java.io.BufferedReader;

import java.io.File;

import java.io.FileReader;

import java.io.IOException;

import java.util.HashSet;

import java.util.List;

import java.util.Set;

import org.apache.mahout.cf.taste.common.TasteException;

import org.apache.mahout.cf.taste.eval.RecommenderBuilder;

import org.apache.mahout.cf.taste.impl.common.LongPrimitiveIterator;

import org.apache.mahout.cf.taste.model.DataModel;

import org.apache.mahout.cf.taste.recommender.IDRescorer;

import org.apache.mahout.cf.taste.recommender.RecommendedItem;

public class BookFilterGenderResult {

    final static int NEIGHBORHOOD_NUM = 2;

    final static int RECOMMENDER_NUM = 3;

    public static void main(String[] args) throws TasteException, IOException {

        String file = "datafile/book/rating.csv";

        DataModel dataModel = RecommendFactory.buildDataModel(file);

        RecommenderBuilder rb1 = BookEvaluator.userEuclidean(dataModel);

        RecommenderBuilder rb2 = BookEvaluator.itemEuclidean(dataModel);

        RecommenderBuilder rb3 = BookEvaluator.userEuclideanNoPref(dataModel);

        RecommenderBuilder rb4 = BookEvaluator.itemEuclideanNoPref(dataModel);

        long uid = 65;

        System.out.print("userEuclidean       =>");

        filterGender(uid, rb1, dataModel);

        System.out.print("itemEuclidean       =>");

        filterGender(uid, rb2, dataModel);

        System.out.print("userEuclideanNoPref =>");

        filterGender(uid, rb3, dataModel);

        System.out.print("itemEuclideanNoPref =>");

        filterGender(uid, rb4, dataModel);

    }

    /**

     * 对用户性别进行过滤

     */

    public static void filterGender(long uid, RecommenderBuilder recommenderBuilder, DataModel dataModel) throws TasteException, IOException {

        Set userids = getMale("datafile/book/user.csv");

        //计算男性用户打分过的图书

        Set bookids = new HashSet();

        for (long uids : userids) {

            LongPrimitiveIterator iter = dataModel.getItemIDsFromUser(uids).iterator();

            while (iter.hasNext()) {

                long bookid = iter.next();

                bookids.add(bookid);

            }

        }

        IDRescorer rescorer = new FilterRescorer(bookids);

        List list = recommenderBuilder.buildRecommender(dataModel).recommend(uid, RECOMMENDER_NUM, rescorer);

        RecommendFactory.showItems(uid, list, false);

    }

    /**

     * 获得男性用户ID

     */

    public static Set getMale(String file) throws IOException {

        BufferedReader br = new BufferedReader(new FileReader(new File(file)));

        Set userids = new HashSet();

        String s = null;

        while ((s = br.readLine()) != null) {

            String[] cols = s.split(",");

            if (cols[1].equals("M")) {// 推断男性用户

                userids.add(Long.parseLong(cols[0]));

            }

        }

        br.close();

        return userids;

    }

}

/**

* 对结果重计算

*/

class FilterRescorer implements IDRescorer {

    final private Set userids;

    public FilterRescorer(Set userids) {

        this.userids = userids;

    }

    @Override

    public double rescore(long id, double originalScore) {

        return isFiltered(id) ? Double.NaN : originalScore;

    }

    @Override

    public boolean isFiltered(long id) {

        return userids.contains(id);

    }

}

控制台输出:

userEuclidean       =>uid:65,

itemEuclidean       =>uid:65,(784,8.090909)(276,8.000000)(476,7.666667)

userEuclideanNoPref =>uid:65,

itemEuclideanNoPref =>uid:65,(887,2.250000)(356,2.166667)(430,1.866667)

我们发现，因为仅仅保留男性的评分记录，数据量就变得比較少了。基于用户的协同过滤算法。已经没有输出的结果了。

基于物品的协同过滤算法，结果集也有所变化。

对于itemEuclideanNoPref算法。输出排名第一条为ID为887的图书。

我再进一步向下追踪：查询哪些用户对图书887进行了打分。

> rating[which(rating$bookid==887),]

userid bookid pref

1280     85    887    2

1743    119    887    8

2757    184    887    4

2791    186    887    5

有4个用户对图书887评分，再分别查看这个用户的属性

> user[c(85,119,184,186),]

userid gender age

85      85      F  31

119    119      F  49

184    184      M  27

186    186      M  35

当中2男，2女。因为我们的算法，已经排除了女性的评分，我们能够判断图书887的推荐应该来自于2个男性的评分者的推荐。

分别计算用户65，与用户184和用户186的评分的图书交集。

rat65<-rating[which(rating$userid==65),]

rat184<-rating[which(rating$userid==184),]

rat186<-rating[which(rating$userid==186),]

> intersect(rat65$bookid ,rat184$bookid)

integer(0)

> intersect(rat65$bookid ,rat186$bookid)

[1]  65 375

最后发现，用户65与用户186都给图书65和图书375打过分。我们再打分出用户186的评分记录。

> rat186

userid bookid pref

2790    186     65    7

2791    186    887    5

2792    186    529    3

2793    186    375    6

2794    186    566    7

2795    186    169    4

2796    186    907    1

2797    186    821    2

2798    186    720    5

2799    186    642    5

2800    186    137    3

2801    186    744    1

2802    186    896    2

2803    186    156    6

2804    186    392    3

2805    186    386    3

2806    186    901    7

2807    186     69    6

2808    186    845    6

2809    186    998    3

用户186。还给图书887打过分，所以对于给65用户推荐图书887。是合理的。

Mahout构建图书推荐系统【一起学Mahout】的更多相关文章

  1. 项目实战：Mahout构建图书推荐系统

    前言 本文是Mahout实现推荐系统的又一案例,用Mahout构建图书推荐系统.与之前的两篇文章,思路上面类似,侧重点在于图书的属性如何利用.本文的数据在自于Amazon网站,由爬虫抓取获得. 目录 ...

  2. 转】Mahout构建图书推荐系统

    原博文出自于: http://blog.fens.me/hadoop-mahout-recommend-book/ 感谢! Mahout构建图书推荐系统 Hadoop家族系列文章,主要介绍Hadoop ...

  3. 【甘道夫】通过Mahout构建推荐系统--通过IDRescorer扩展评分规则

    通过Mahout构建推荐系统时,假设我们须要添�某些过滤规则(比方:item的创建时间在一年以内),则须要用到IDRescorer接口,该接口源代码例如以下: package org.apache.m ...

  4. 基于Mahout的电影推荐系统

    基于Mahout的电影推荐系统 1.Mahout 简介 Apache Mahout 是 Apache Software Foundation(ASF) 旗下的一个开源项目,提供一些可扩展的机器学习领域 ...

  5. 基于 Apache Mahout 构建社会化推荐引擎

    基于 Apache Mahout 构建社会化推荐引擎 http://www.ibm.com/developerworks/cn/views/java/libraryview.jsp 推荐引擎利用特殊的 ...

  6. 转】用Mahout构建职位推荐引擎

    原博文出自于: http://blog.fens.me/hadoop-mahout-recommend-job/ 感谢! 用Mahout构建职位推荐引擎 Hadoop家族系列文章,主要介绍Hadoop ...

  7. 转】用Hadoop构建电影推荐系统

    原博文出自于: http://blog.fens.me/hadoop-mapreduce-recommend/ 感谢! 用Hadoop构建电影推荐系统 Hadoop家族系列文章,主要介绍Hadoop家 ...

  8. 基于Django的图书推荐系统和论坛

    基于Django的图书推荐系统和论坛 关注公众号"轻松学编程"回复"图书系统"获取源码 一.基本功能 登录注册页面 基于协同过滤的图书的分类,排序,搜索,打分功 ...

  9. [转] 基于 Apache Mahout 构建社会化推荐引擎

    来源:http://www.ibm.com/developerworks/cn/java/j-lo-mahout/index.html 推荐引擎简介 推荐引擎利用特殊的信息过滤(IF,Informat ...

随机推荐

  1. 基于原生JS的jsonp方法的实现

    基于原生JS的jsonp方法的实现 jsonp,相信大家并不陌生,是在js异步请求中解决跨域的方法之一,原理很简单,有不清楚的同学可以google下,这里就补详细解释了.在Jquery库中,jQuer ...

  2. linux关闭地址空间随机化(ASLR)

    转:http://www.xuebuyuan.com/1571079.html 确认ASLR是否已经被打开,"2"表示已经打开 shanks@shanks-ubuntu:/home ...

  3. 如何解决pytorch 编译时CUDA版本与运行时CUDA版本不对应

    转载请注明: 仰望高端玩家的小清新 http://www.cnblogs.com/luruiyuan/ 如何解决pytorch 编译时CUDA版本与运行时CUDA版本不对应 如果pytorch的编译时 ...

  4. zabbix api 设置维护模式

    通过zabbix提供的api进行维护模式的设置 #!/usr/bin/env python # -*-coding:utf-8-*- import urllib import urllib2 impo ...

  5. 程序 查看 jvm版本

    System.getProperty("java.version")返回你所需要的.

  6. Python操作Mongo数据库

    连接数据库 import pymongo # 连接到数据库,以下两种方式均可 client = pymongo.MongoClient(host='localhost', port=27017) cl ...

  7. HDU 6119 小小粉丝度度熊（Two pointers）

    [题目链接] http://acm.hdu.edu.cn/showproblem.php?pid=6119 [题目大意] 给出一些签到区间和一些补签卡,问可以创造的最长连续签到区间 [题解] 如果我们 ...

  8. 【SPFA+二分答案】BZOJ1614- [Usaco2007 Jan]Telephone Lines架设电话线

    沉迷于刷水 以前的那个二分写法过不了QAQ 换了一种好像大家都比较常用的二分.原因还不是很清楚. [题目大意] 给出一张图,可以将其中k条边的边权减为0,求1到n的路径中最长边的最小值. [思路] 二 ...

  9. bzoj4144 [AMPPZ2014]Petrol

    link 题意: 给一个n个点m条边的带权无向图,其中k个点是加油站,每个加油站可以加满油,但不能超过车的油量上限.有q个询问,每次给出x,y,b,保证x,y都是加油站,问一辆油量上限为b的车从x出发 ...

  10. Java并发（七）：双重检验锁定DCL

    双重检查锁定(Double Check Lock,DCL) 1.懒汉式单例模式,无法保证线程安全: public class Singleton { private static Singleton ...