0

我想建立一个基本的电影推荐系统。我搜索并找到了 apache mahout。我使用了一些方法，但我不知道如何使用这些结果。

import java.io.File;
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.eval.RecommenderEvaluator;
import org.apache.mahout.cf.taste.impl.eval.RMSRecommenderEvaluator;
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.impl.similarity.TanimotoCoefficientSimilarity;
import org.apache.mahout.cf.taste.model.DataModel;
import org.apache.mahout.cf.taste.neighborhood.UserNeighborhood;
import org.apache.mahout.cf.taste.recommender.Recommender;
import org.apache.mahout.cf.taste.similarity.UserSimilarity;

public class error {

  public  static double evaluate(DataModel model){
    RecommenderEvaluator evaluator = new RMSRecommenderEvaluator();
    RecommenderBuilder builder = new RecommenderBuilder() {

        @Override
        public Recommender buildRecommender(DataModel model) throws TasteException {
            UserSimilarity similarity = new TanimotoCoefficientSimilarity(model);
            UserNeighborhood neighborhood = new NearestNUserNeighborhood(50, similarity,        model);
            return new GenericUserBasedRecommender(model, neighborhood, similarity);
        }
    };

    double score = 0;
    try {

        score = evaluator.evaluate(builder, null, model, 0.7, 1.0);
    } catch (TasteException e) {
    }
    System.out.println(score);
    return score;
}
public static void main(String[] args) throws IOException, TasteException {
     DataModel model = new FileDataModel(new File("u1.base"));
    evaluate(model);
}

}

和这样的结果

2014 年 3 月 3 日下午 2:06:44 org.slf4j.impl.JCLLoggerAdapter 信息信息：为文件 u1.base 创建 FileDataModel 2014 年 3 月 3 日下午 2:06:44 org.slf4j.impl.JCLLoggerAdapter 信息信息：读取文件信息... 2014 年 3 月 3 日下午 2:06:44 org.slf4j.impl.JCLLoggerAdapter 信息信息：读取行：80000 2014 年 3 月 2:06:44 PM org.slf4j.impl.JCLLoggerAdapter 信息信息：已处理 943 个用户2014 年 3 月 3 日下午 2:06:44 org.slf4j.impl.JCLLoggerAdapter 信息信息：使用 FileDataModel[dataFile:C:\Users\HydrojaN\Documents\NetBeansProjects\JavaApplication1\u1.base] 的 0.7 开始评估] 2014 年 3 月下午 2:06:44 org.slf4j.impl.JCLLoggerAdapter 信息信息：已处理 943 个用户 Şub 03, 2014 2:06:44 PM org.slf4j.impl.JCLLoggerAdapter 信息信息：开始评估 941 个用户 Şub 03, 2014 2: 06:44 PM org.slf4j.impl.JCLLoggerAdapter 信息信息：4 个线程中 941 个任务的开始时间 Şub 03, 2014 2:06:45 PM org.slf4j.impl.JCLLoggerAdapter 信息信息：每个推荐的平均时间：193ms Şub 03, 2014 2:06:45 PM org.slf4j.impl。 JCLLoggerAdapter 信息信息：使用的近似内存：86MB / 276MB Şub 03, 2014 2:06:45 PM org.slf4j.impl.JCLLoggerAdapter 信息信息：在 29 种情况下无法推荐

1.0364950141746245

Şub 03, 2014 2:07:49 PM org.slf4j.impl.JCLLoggerAdapter info INFO：评估结果：1.0364950141746245 BUILD SUCCESSFUL（总时间：1 分 5 秒）

4

2 回答 2

0

您是要进行评估还是要使用推荐器。使用上面的代码，您可以针对您的数据集评估算法的效率（相似性度量与推荐算法一起）。如果要使用推荐器生成的结果，可以使用以下简单代码：

class RecommenderExample { 

      public static void main(String[] args) throws Exception {
            DataModel model = new FileDataModel (new File("u1.base"));

            UserSimilarity similarity = new TanimotoCoefficientSimilarity(model);
            UserNeighborhood neighborhood = new NearestNUserNeighborhood(50, similarity,        model);

            Recommender recommender = new GenericUserBasedRecommender (model, neighborhood, similarity);

            List<RecommendedItem> recommendations = recommender.recommend(1, 1);

            //Print the results
            for (RecommendedItem recommendation : recommendations) {
                 System.out.println(recommendation);
             }
    }
}

在任何情况下，您都需要评估以选择最佳算法，但最后如果您想向用户推荐商品，您可以使用类似的代码。

您可以在Mahout in Action一书中找到有关 Mahout 的更多信息。

于 2014-02-04T09:28:36.613 回答
0

在 Mahout 邮件列表上获得 Mahout 答案总是更容易。

也就是说，您不需要对 Mahout API 本身做太多事情来构建一个简单的推荐器。我建议你使用推荐者的搜索滥用风格。在这种方法中，您运行 Mahout 作业来分析日志，然后将这些日志导入到 Solr 或 Elastic Search 等搜索引擎中。这个搜索引擎然后充当推荐者。

有关更多详细信息，请参阅http://www.youtube.com/watch?v=fWR1T2pY08Y

于 2014-02-04T00:31:10.903 回答