基于hadoop的推荐算法-mahout版

基于hadoop的推荐算法-mahout版 – – ITeye技术网站 http://blackproof.iteye.com/blog/2110877

求项目相似矩阵是基于项目的协同过滤算法的核心
公式有很多种,核心是物品i和物品j相关用户的交集与并集的商

基于hadoop的推荐算法,讲其中mahout实现的基于项目的推荐算法
分为4步:
1.获得人-物 用户矩阵
输入为所有人对物品的评价或关联
map端输出key为人,value为物品+倾好度
reeduce端输出key为人,vallue为多个物品+倾好度

2.获得物-物 项目矩阵
输入为“用户矩阵”,讲每一行人-物数据中的物品做笛卡尔积,生产成物-物的关联
map端输出为key为物,value为关联度
reduce端输出key为物,value为多个物的关联度
(可以根据各种规则生成项目相似度矩阵表,此处算法带过)
修改:
求项目相似矩阵是基于项目的协同过滤算法的核心
公式有很多种,核心是物品i和物品j相关用户的交集与并集的商
mahout使用的公式是1.dot(i,j) = sum(Pi(u)Pi(u))
2.norms(i) = sum(Pi(u)^2)
3.simi(i,j) = 1/(1+(norms(i)-2
dot(i,j)+noorm(i))^1/2)

mahout的实现方法是
第一个job,用物品-人的矩阵,求得norms,即物品的用户平方和,输出是物-norms
第二个job,Map:用人-物的矩阵,求Pi(u)Pi(u),即相同用户的物品的评价的乘机,输出物-多个对端物品的Pi(u)Pi(u)
Reduce:用物-多个对端物品的Pi(u)*Pi(u)和物-norms,求得物品的相似矩阵(因为这个时候可以汇总所有和这个物品相关的物品的dot)
第三个job,补全物品的相似矩阵

3.获得用户-项目相似矩阵
输入为人-物 用户矩阵 和 物-物 项目矩阵
Map端输出key为物,value为类VectorOrPrefWritable,是包含物与人的倾好度,或是物与物的相似度
reduce端输出key为物,value为类VectorAndPrefWritable,是汇总当个物品到所有人的倾好度和到所有物品的相似度

4.获得用户推荐矩阵
输入为VectorAndPrefWritable
Map端输出为key:人,value:物+系数(map端根据单个物品贡献的系数生成推荐系数,也就是人到物品A的倾好度*物品A到其他物品的相似度)
reduce端输出为key:人,,value:推荐项目+系数(reduce端使用自定公式,汇总所有单物品贡献的四叔,求人到其他项目的倾好度,取topn作为当前用户的推荐项目)

再在这里贴几个mahout推荐算法分析的帖子:
http://eric-gcm.iteye.com/blog/1817822
http://eric-gcm.iteye.com/blog/1818033
http://eric-gcm.iteye.com/blog/1820060

以下是mahout代码:

    原文作者:葡萄喃喃呓语
    原文地址: https://www.jianshu.com/p/9ddad9b286df
    本文转自网络文章,转载此文章仅为分享知识,如有侵权,请联系博主进行删除。
点赞