标签：blog java io 文件 数据 for ar 代码
基于用户的推荐和基于物品的推荐
两种算法，均依赖于两个事物（用户或物品）之间的相似性度量（等同性定义），相似性度量的方法：PearsonCorrealation皮尔逊相关系数,对数似然值Loglikelihood,斯皮尔曼相关系数SpearmanCorrelation,谷本系数TanimotoCoefficient等。
推荐算法：Slope-one,基于SVD和基于聚类的推荐算法。
基于用户的推荐：
代码示例：
public static void main(String[] args) throws Exception {
//装载数据文件，实现存储，并为计算提供所需的所有偏好，用户和物品数据
DataModel model = new FileDataModel(new File("data/intro.csv"));
//用户相似度，给出两个用户的相似度，有多种度量方式，封装了用户间相似性的概念
UserSimilarity similarity = new PearsonCorrelationSimilarity(model);
//用户邻居，与给定用户最相似的一组用户，封装了最相似用户组的概念
UserNeighborhood neighborhood = new NearestNUserNeighborhood(2,
similarity, model);
//推荐引擎，合并这些组件，实现推荐
Recommender recommender = new GenericUserBasedRecommender(model,
neighborhood, similarity);
//为用户1推荐一件物品1,1
List<RecommendedItem> recommendedItems = recommender.recommend(1, 1);
//输出
for (RecommendedItem item : recommendedItems) {
System.out.println(item);
}
}
引入新的相似性度量，结果就会发生显著的变化。mahout推荐是由 多个组件搭配而成，而非单一的推荐引擎，其他各个组件的组合可以定制，从而针对特定应用提供理想的推荐。
1、数据模型，有datamodel实现
2.用户间的相似性度量，由usersimilarity实行
3.用户邻域的定义，有userneighborhood实现
4.推荐引擎，由一个recommender实现（此处为GenericUserBasedRecommender）
标签：blog java io 文件 数据 for ar 代码
原文地址：http://www.cnblogs.com/jsunday/p/3889923.html
