mahout0.11 taste框架推薦引擎api

所需jar包

數據格式以逗號分隔

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
3,101,2.0
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
6,102,4.0
6,103,2.0
6,105,3.5
6,107,4.0

基于用戶推薦

import java.io.File;
import java.util.List;

import org.apache.mahout.cf.taste.impl.model.file.FileDataModel;
import org.apache.mahout.cf.taste.impl.neighborhood.NearestNUserNeighborhood;
import org.apache.mahout.cf.taste.impl.recommender.GenericUserBasedRecommender;
import org.apache.mahout.cf.taste.impl.similarity.PearsonCorrelationSimilarity;
import org.apache.mahout.cf.taste.model.DataModel;
import org.apache.mahout.cf.taste.neighborhood.UserNeighborhood;
import org.apache.mahout.cf.taste.recommender.RecommendedItem;
import org.apache.mahout.cf.taste.recommender.Recommender;
import org.apache.mahout.cf.taste.similarity.UserSimilarity;


public class UserItemRecommend {
public static void main(String[] args) throws Exception{
    //創建數據模型
    DataModel dm = new FileDataModel(new File("C:/test.txt"));
    //使用user來推薦，計算相似度
    UserSimilarity us=new PearsonCorrelationSimilarity(dm);
    //查找K(3)近鄰
    UserNeighborhood unb=new NearestNUserNeighborhood(3, us, dm);
 //構造推薦引擎
    Recommender re =new GenericUserBasedRecommender(dm, unb, us);
//顯示推薦結果,為1號用戶推薦兩個商品
    List<RecommendedItem> list = re.recommend(1, 2);
    for(RecommendedItem recommendedItem :list)
    {
        System.out.println(recommendedItem);
    }
}
    
}

推薦結果

RecommendedItem[item:104, value:4.257081]
RecommendedItem[item:106, value:4.0]

基于商品

import java.io.File;
import java.util.List;

import org.apache.mahout.cf.taste.impl.model.file.FileDataModel;
import org.apache.mahout.cf.taste.impl.recommender.GenericItemBasedRecommender;
import org.apache.mahout.cf.taste.impl.similarity.PearsonCorrelationSimilarity;
import org.apache.mahout.cf.taste.model.DataModel;
import org.apache.mahout.cf.taste.recommender.RecommendedItem;
import org.apache.mahout.cf.taste.recommender.Recommender;
import org.apache.mahout.cf.taste.similarity.ItemSimilarity;


public class ItemUserRecommend {
public static void main(String[] args) throws Exception{
    //創建數據模型
    DataModel dm = new FileDataModel(new File("C:/test.txt"));

    ItemSimilarity is=new PearsonCorrelationSimilarity(dm);
    
 //構造推薦引擎
    Recommender re =new GenericItemBasedRecommender(dm,is);
//顯示推薦結果,為1號用戶推薦兩個商品
    List<RecommendedItem> list = re.recommend(1, 2);
    for(RecommendedItem recommendedItem :list)
    {
        System.out.println(recommendedItem);
    }
}
    
}

slopeone算法，0.9版本已移除，要使用只能用0.8

import java.io.File;
import java.util.List;

import org.apache.mahout.cf.taste.impl.model.file.FileDataModel;
import org.apache.mahout.cf.taste.impl.recommender.GenericItemBasedRecommender;
import org.apache.mahout.cf.taste.impl.similarity.PearsonCorrelationSimilarity;
import org.apache.mahout.cf.taste.model.DataModel;
import org.apache.mahout.cf.taste.recommender.RecommendedItem;
import org.apache.mahout.cf.taste.recommender.Recommender;
import org.apache.mahout.cf.taste.similarity.ItemSimilarity;


public class SlopeOneRecommend {
public static void main(String[] args) throws Exception{
    //創建數據模型
    DataModel dm = new FileDataModel(new File("C:/test.txt"));

    
    
 //構造推薦引擎
    Recommender re =new SlopeOneRecommender(dm);;
//顯示推薦結果,為1號用戶推薦兩個商品
    List<RecommendedItem> list = re.recommend(1, 2);
    for(RecommendedItem recommendedItem :list)
    {
        System.out.println(recommendedItem);
    }
}
    
}