ssword

栏目列表

  1. 框架基础
  2. Python
  3. Java基础
  4. 前端基础
  5. 基础算法
  6. 开源软件的使用
  7. 软件测试
  8. windows基础
  9. 树莓派相关知识
  10. web服务相关

推荐阅读

基础推荐算法

 

<dependency>
    <groupId>org.slf4j</groupId>
    <artifactId>slf4j-nop</artifactId>
    <version>1.7.25</version>
</dependency>

<dependency>
    <groupId>org.apache.mahout</groupId>
    <artifactId>mahout-core</artifactId>
    <version>0.8</version>
</dependency>

<dependency>
    <groupId>com.google.guava</groupId>
    <artifactId>guava</artifactId>
    <version>15.0</version>
</dependency>

 

按照用户相似度
    简述：与用户相似选课记录的人喜欢的，但是用户没有学的课推荐给用户。
    函数：userSimilarity;客户相似用欧式距离计算（直线距离，标题极其相似）
    样本：showxxin1.csv(每个人的选课记录都不一样，无法推荐)。showxxin2.csv(3个人abc,abc人都选了3门同样的课，bc两人都多选了1门课，这时会给a推荐这门课程)。

    函数：userSimilarity2;客户相似用曼哈顿距离计算（实际距离，标题大概相似）
    样本：虽然其标题不一样，但是标题内容及其相近，所以其showxxin1.csv和showxxin2.csv样本都会给a推荐bc都选了的课。

按照Item相似度
    简述：与用户相似选课记录的人喜欢的，用户没有学的，同时这门课其他用户选了，则推荐给用户。与客户相似度主要不同的是item相似度还需考虑本门课程的热门程度。
    函数：itemSimilarity;
    样本：showxxin3.csv(3个人abc，ab选了3门同样的课，然后b多选了一门课，c也选了这门课，这时会给a推荐bc选的这门课)。showxxin4.csv(样本showxxin3.csv的基础上增加了几组用户)。

注意：样本showxxin3.csv跑userSimilarity是不会出结果的，这是因为showxxin3.csv的数据不足以建立用户相似度，只有基于Item相似度才有效果。所以需根据实际需求选择推荐算法。

按照model模型相似度
    简述：多数用户评价较好的课程；先根据评分再根据热门程度，若没有评分数据，则只根据热门程度。 
    函数：sVDRecommender和slopeOne;  样本：无

 

import org.apache.mahout.cf.taste.common.TasteException;
import org.apache.mahout.cf.taste.impl.common.LongPrimitiveIterator;
import org.apache.mahout.cf.taste.impl.model.MemoryIDMigrator;
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.CachingRecommender;
import org.apache.mahout.cf.taste.impl.recommender.GenericItemBasedRecommender;
import org.apache.mahout.cf.taste.impl.recommender.GenericUserBasedRecommender;
import org.apache.mahout.cf.taste.impl.recommender.slopeone.SlopeOneRecommender;
import org.apache.mahout.cf.taste.impl.recommender.svd.*;
import org.apache.mahout.cf.taste.impl.similarity.*;
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;
import org.apache.mahout.cf.taste.similarity.UserSimilarity;

import java.io.*;
import java.util.List;
import java.util.Random;

public class Recommend {
    static final String inputFile = "data/showxxin6.csv";// 数据源
    static final String outputFile = "data/xxout.csv";// 算法所需csv文件
    static MemoryIDMigrator thing2long = new MemoryIDMigrator();

    public static void main(String[] args) throws IOException, TasteException {
        CreateCsvRatingsFile();
        //创建模型数据源文件
        DataModel model = new FileDataModel(new File(outputFile));
        // 修改算法引擎
        Recommender cachingRecommender = sVDRecommender(model);

        int userNum = 0;
        // 对用户进行推荐
        for (LongPrimitiveIterator it = model.getUserIDs(); it.hasNext(); ) {
            userNum++;
            long userId = it.nextLong();
            // 对单个User进行推荐
            List<RecommendedItem> recommendations = cachingRecommender.recommend(userId, 1);
            // 该用户无推荐结果
            if (recommendations.size() == 0) {
                System.out.print("User: ");
                System.out.print(thing2long.toStringID(userId));
                System.out.println(": No Recommend");
            } else {
                // 打印推荐信息
                for (RecommendedItem recommendedItem : recommendations) {
                    System.out.print("User: ");
                    System.out.print(thing2long.toStringID(userId));
                    System.out.print(": ");
                    System.out.println(thing2long.toStringID(recommendedItem.getItemID()) + " Value: " + recommendedItem.getValue());
                }
            }
            System.out.println("------");
        }
        System.out.println("用户数:" + userNum);
    }

    private static void CreateCsvRatingsFile() throws IOException {
        BufferedReader br = new BufferedReader(new FileReader(inputFile));
        BufferedWriter bw = new BufferedWriter(new FileWriter(outputFile));

        String line = null;
        String line2write = null;
        String[] temp;
        Random random = new Random();
        int ccc=0;
        while ((line = br.readLine()) != null) {
            ccc++;
            if (line.equals("")) continue;
            temp = line.split(",");
            long uLong = thing2long.toLongID(temp[0]);
            long iLong = thing2long.toLongID(temp[1]);
//            line2write = uLong + "," + iLong; // 无评分
//            line2write = uLong + "," + iLong + "," + random.nextInt(10); // 有评分
            line2write = uLong + "," + iLong + "," + temp[2];
            thing2long.storeMapping(uLong, temp[0]);
            thing2long.storeMapping(iLong, temp[1]);
            bw.write(line2write);
            bw.newLine();
            bw.flush();
        }
        System.out.println(ccc);
        br.close();
        bw.close();
    }

    // 根据用户相似度建立推荐引擎，model中需包含：用户ID，itemID，评分
    // 个人理解：跟你相似 选课记录 的人喜欢的，但是你没有学的课推荐给你
    private static Recommender userSimilarity(DataModel model) throws TasteException {
        UserSimilarity userSim = new EuclideanDistanceSimilarity(model);
        //指定NearestNUserNeighborhood作为近邻算法
        NearestNUserNeighborhood userNei = new NearestNUserNeighborhood(3, userSim, model);// 邻居的个数，用户相似度，数据模型
        // 构建UserCF推荐器
        Recommender cachingRecommender = new GenericUserBasedRecommender(model, userNei, userSim);
        return cachingRecommender;
    }

    // 根据用户相似度建立推荐引擎，model中需包含：用户ID，itemID，可选项：评分
    // 个人理解：与userSimilarity不同的是对于用户相似度的计算，一个是 EuclideanDistanceSimilarity（欧式距离），一个是CityBlockSimilarity（曼哈顿距离）,曼哈顿距离会判断item的内容相似度。
    private static Recommender userSimilarity2(DataModel model) throws TasteException {
        UserSimilarity userSim = new CityBlockSimilarity(model);
        //指定NearestNUserNeighborhood作为近邻算法
        NearestNUserNeighborhood userNei = new NearestNUserNeighborhood(3, userSim, model);// 邻居的个数，用户相似度，数据模型
        // 构建UserCF推荐器
        Recommender cachingRecommender = new GenericUserBasedRecommender(model, userNei, userSim);
        return cachingRecommender;
    }

    // 根据Item相似度建立推荐引擎，model中需包含：用户ID，itemID。可选项：评分
    // 个人理解：与你课程内容相似的人在看的课的，同时这门课还有其他人在学推荐给你
    private static Recommender itemSimilarity(DataModel model) {
        ItemSimilarity itemSim = new LogLikelihoodSimilarity(model);// LogLikelihoodSimilarity(对数似然相似度),重叠的个数，不重叠的个数，都没有的个数
        Recommender cachingRecommender = new GenericItemBasedRecommender(model, itemSim);
        return cachingRecommender;
    }

    // 根据model(模型)相似度建立推荐引擎，model中需包含：用户ID，itemID。可选项：评分
    private static Recommender sVDRecommender(DataModel model) throws TasteException {
        // 数据模型，邻居的个数，迭代数
        Factorizer fatorizer1 = new RatingSGDFactorizer(model,2,3);// 用户和物品偏差的矩阵分解，用于评级预测
        Factorizer fatorizer2 = new SVDPlusPlusFactorizer(model,2,3);// 用于评级预测的经典矩阵分解的增强。感觉稍微增强了一点吧。
        Recommender cachingRecommender = new SVDRecommender(model, fatorizer1);// SVD矩阵分解技术的推荐器。fatorizer是分解器类型
        return cachingRecommender;
    }


    // SlopeOne算法，model中需包含：用户ID，itemID。可选项：评分
    // @Deprecated
    private static Recommender slopeOne(DataModel model) throws TasteException {
        CachingRecommender cachingRecommender = new CachingRecommender(new SlopeOneRecommender(model));
        return cachingRecommender;
    }
}

 

样本数据：showxxin1

A1,全面实施绩效管理的路径选择,1
A1,构建安全生产治理新格局,1
A1,安全生产工作面临挑战,1

A2,全面实施绩效管理的路径选择2,3
A2,构建安全生产治理新格局2,3
A2,安全生产工作面临挑战2,3
A2,借助风险管理完善事中事后监管,3

A3,全面实施绩效管理的路径选择3,3
A3,构建安全生产治理新格局3,3
A3,安全生产工作面临挑战3,3
A3,借助风险管理完善事中事后监管,3

样本数据：showxxin2

A1,全面实施绩效管理的路径选择,1
A1,构建安全生产治理新格局,1
A1,安全生产工作面临挑战,1

A2,全面实施绩效管理的路径选择,30
A2,构建安全生产治理新格局,30
A2,安全生产工作面临挑战,30
A2,借助风险管理完善事中事后监管,3

A3,全面实施绩效管理的路径选择,30
A3,构建安全生产治理新格局,30
A3,安全生产工作面临挑战,30
A3,借助风险管理完善事中事后监管,4

样本数据：showxxin3

A1,全面实施绩效管理的路径选择,1
A1,构建安全生产治理新格局,1
A1,安全生产工作面临挑战,1

A2,全面实施绩效管理的路径选择,3
A2,构建安全生产治理新格局,3
A2,安全生产工作面临挑战,3
A2,借助风险管理完善事中事后监管,3

A5,借助风险管理完善事中事后监管,2

样本数据：showxxin4

A1,全面实施绩效管理的路径选择,1
A1,构建安全生产治理新格局,1
A1,安全生产工作面临挑战,1

A2,全面实施绩效管理的路径选择,3
A2,构建安全生产治理新格局,3
A2,安全生产工作面临挑战,3
A2,借助风险管理完善事中事后监管,3

A5,借助风险管理完善事中事后监管,2
A5,完善事中事后监管,2
A5,风险管理,2

A6,完善事中事后监管,2
A6,风险管理,2
A6,管理的问题,2

A7,管理的问题,2

 

发布者：songJian   点击数：1699   发布时间：2018-07-25 19:11:14   更新时间：2018-10-23 18:47:19
正在加载评论...
相关文章