进行推荐一

引言
前面提到的两种典型的推荐算法，他们均在Mahout中得到实现：基于用户的推荐程序和基于物品的推荐程序。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，或者说等同性定义。相似性的定义有多种：包括基于皮尔逊相关系数（Pearson correlation）、对数似然值（log likehood）、斯皮尔曼相关系数（Spearman correlation）、谷本系数（Tanimoto coefficient）等实现。

---

理解基于用户的推荐

基于用户的推荐算法的典型特征是，建立在用户间有某种相似性的基础上。事实上，这种算法在日常生活中很常见，根据人群之间的相似性进行推荐是非常合理的。

---

算法：

for(用户u尚未表达偏好的) 每个物品i{    for(对i有偏好的) 每个其他用户v{        计算u和v之间的相似度        按照权重s将v对i的偏好并入平均值    }}return 值最高的物品（按加权平均排序）

说明：外层循环简单地把每个已知的物品（用户未对其表达偏好的）作为候选的推荐项。内层循环逐个查看对候选物品做过评价的其他用户，并记下他们对该物品的偏好值。最终，将这些值的加权平均作为目标用户对物品偏好值的预测。每个偏好值的权重取决于该用户与目标用户之间的相似度。与目标用户越相似，他的偏好值所占权重越大。
但是，每个物品都检查实在是太慢了。实际应用中，通常会先计算出一个最相似用户的领域，然后仅考虑 这些用户评价过的物品：

for每个其他用户 w{    计算用户u和用户w的相似度s    按相似度排序后，将位置靠前的用户作为领域n}for(n中用户有偏好，而u中用户无偏好的){    每个物品i    for(n中用户对i有偏好的){        每个其他用户v        计算用户u和用户v的相似度s        按权重s将v对i的偏好并入平均值    }}

这个过程与前面的区别在于首先确定相似的用户，在考虑这些最相似用户对什么物品感兴趣。这些物品就成为推荐的候选项。后续的过程是一样的。这就是标准的基于用户推荐算法，也是他在Mahut中的实现方式。

---

引入新的相似性度量，结果就会发生显著变化。由此可知，提供推荐的方式是多种多样的——而这还只是调整了方法的一个侧面。Mahout是由多个组件混搭而成的，而非单一的推荐引擎，其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。通常包括如下组件：

• 数据模型，由DataModel实现
• 用户间的相似性度量，由UserSimilarity实现
• 用户领域的定义，由UserNeighborhood实现
• 推荐引擎的定义，由Recommender实现

---

总之，要想推荐得更好更快，就必然需要经历一个漫长的实验和调优过程。