? Mahout中的推薦算法主要有：User-based Recommender, Item-based Recommender和Slope-One Recommender。
? 1. User-based Recommender
??? 該算法的主要思想是：與用戶u最相似的用戶喜歡的商品有很大可能也是用戶u喜歡的商品。
1
對于用戶u的每一個沒有preference的商品i
2
對于每一個對商品i有preference的用戶v
3
計算用戶u與v的相似性s
//
實際上無需在線計算，可以事先計算好存儲起來
4
將用戶v對于商品i的preference，乘以s，加到用戶u對商品i的預測preference的平均值
5
返回用戶u的平均值最高的幾個商品作為推薦商品。
?
? 上述算法需要窮舉每個商品i，導致計算非常非常慢。可以實現計算好某個用戶u的所有的鄰居(記為集合n)，然后，再為用戶u做推薦時，只需要考慮用戶u的鄰居的所有有preference的商品即可，而無需考慮所有商品，算法如下：
1
對于每個其他的用戶w
2
計算用戶u與用戶w之間的相似度s
3
返回用戶u的相似度最高的幾個用戶，記為用戶u的鄰居n
4
//
上述步驟可以離線完成，類似于索引
5
對于用戶u的每個u本身沒有preference，但是u的鄰居n中某個用戶有preference的商品i
6
對于每個對商品i有preference的用戶u的鄰居v
7
計算用戶u與v的相似度
//
其實無需在線計算，可以提前計算好，存儲起來
8
將用戶v對于商品i的preference，乘以s，加到用戶u對商品i的預測preference的平均值
? 2. Item-based Recommender
??? 該算法的主要思想是：喜歡商品i的用戶u，有很大可能性會喜歡和商品i很相似的其他商品
1
對于用戶u的每個沒有preference的商品i
2
對于每個用戶u有preference的商品j
3
計算商品i與j的相似度s
4
把用戶u對商品j的preference，乘以s，加到用戶u對商品i的preference的平均值
5
返回用戶u的平均值最高的幾個商品作為推薦商品
? 3. Slope-One Recommender
??? 首先計算每兩個商品之間preference差值的平均值
1
對于某個商品i
2
對于某個商品j
3
對于每個對商品i和j都有preference的用戶u
4
將用戶u對商品i和商品j的preference的差值加到所有用戶對商品i和商品j的差值的平均值當中去
??? 推薦
1
對于用戶u的每個沒有preference的商品i
2
對于用戶u的每個有preference的商品j
3
取得商品i和商品j的preference差值的平均值diff
4
將diff加上u對商品j的preference的和加入用戶u對商品i的preference的平均值當中去
5
返回用戶u的預測preference最高的幾個商品作為推薦
?
? [1] Mahout in Action
更多文章、技術交流、商務合作、聯系博主
微信掃碼或搜索：z360901061
微信掃一掃加我為好友
QQ號聯系： 360901061
您的支持是博主寫作最大的動力，如果您喜歡我的文章，感覺我的文章對您有幫助，請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧，狠狠點擊下面給點支持吧，站長非常感激您！手機微信長按不能支付解決辦法：請將微信支付二維碼保存到相冊，切換到微信，然后點擊微信右上角掃一掃功能，選擇支付二維碼完成支付。
【本文對您有幫助就好】元
