最近在做推薦系統，以前從沒接觸過，通過查閱，瞭解到一些推薦系統相關的開源框架，對比了下，使用Java開發的Mahout比較適合，通過學習，簡單實現了一些功能，通過這篇文章記錄一下，後續學習到進一步用法還會更新這個系列。

      使用mysql作為資料來源，新建一張使用者行為偏好表ratings，包含四個欄位，使用者id（user_id），商品id（item_id），偏好打分（rating），時間戳（timestamp）。將相關資料存進表中，接下來就可以在專案裡使用mahout。

      首先在pom檔案里加入依賴（前提是一個maven專案，嘿嘿）：

<dependency>
            <groupId>org.apache.mahout</groupId>
            <artifactId>mahout</artifactId>
            <version>0.11.1</version>
            <type>pom</type>
        </dependency>
        <dependency>
            <groupId>org.apache.mahout</groupId>
            <artifactId>mahout-examples</artifactId>
            <version>0.11.1</version>
            <exclusions>
                <exclusion>
                    <groupId>org.slf4j</groupId>
                    <artifactId>slf4j-log4j12</artifactId>
                </exclusion>
            </exclusions>
        </dependency>
 

       使用步驟：

1. 首先定義資料模型（DataModel），我理解為Mahout的資料來源，這個資料來源包含資料庫操作，可以理解為Mybatis的sessionfactory，MaHout預設提供了較多種DataModel，比如MYSQLJDBCDataModel，用於mysql資料庫的操作，HBaseDataModel，用於hbase資料庫的操作，FileDataModel，用於檔案儲存資料的操作（例如csv），等等。以mysql作為資料來源為例子，程式碼如下：

DataModel dataModel = new MySQLJDBCDataModel(DataSource dataSource, String preferenceTable, String userIDColumn, String itemIDColumn, String preferenceColumn, String timestampColumn);從變數名大致也能猜出來，需要資料來源DataSource、記錄偏好打分的表名、使用者id對應的列名、產品id對應的列名、偏好打分值對應的列名、時間戳對應的列名。

2. 定義相似度策略（Similarity），分為使用者相似度策略（UserSimilarity）和產品相似度策略（）預設提供了幾種實現，比如皮爾斯（PearsonCorrelationSimilarity）、EuclideanDistanceSimilarity，程式碼：UserSimilarity userSimilarity = new PearsonCorrelationSimilarity(dataModel);

需要將上一步定義的DataModel傳進去。

3. 定義鄰居（UserNeighborhood），所謂鄰居，即具有相似性行為偏好的使用者

UserNeighborhood neighborhood = new NearestNUserNeighborhood(100, userSimilarity, dataModel);需要的引數：鄰居數量、第二步定義的使用者相似度、第一步定義的資料模型

4. 定義推薦器（Recommender），推薦器有基於使用者的推薦（GenericUserBasedRecommender）和基於商品的推薦（GenericItemBasedRecommender），當然，還有一些其他的推薦

GenericUserBasedRecommender recommender = new GenericUserBasedRecommender(dataModel, neighborhood, userSimilarity);需要的引數：資料模型、鄰居、使用者相似度策略

5. 使用推薦器，根據推薦器不同調用不同的方法，例如GenericUserBasedRecommender基於使用者推薦，通過呼叫recommend(long userID, int howMany)方法，傳入使用者的id以及需要返回的推薦數量。GenericItemBasedRecommender基於商品相似推薦，通過呼叫recommendedBecause(long userID, long itemID, int howMany)方法即可，傳入使用者id，當前瀏覽的商品的id，返回推薦的數目。

至此就可以完成mahout結合資料來源的單機版開發。