Taste简介
看自:http://blog.csdn.net/zhoubl668/article/details/13297583
Mahout 是apache下的一个java语言的开源大数据机器学习项目，与其他机器学习项目不同的是，它的算法多数是mapreduce方式写的，可以在hadoop上运行，并行化处理大规模数据。
协同过滤在mahout里是由一个叫taste的引擎提供的， 它提供两种模式，一种是以jar包形式嵌入到程序里在进程内运行，另外一种是MapReduce Job形式在hadoop上运行。这两种方式使用的算法是一样的，配置也类似。基本上搞明白了一种，就会另外一种了。
Taste的系统结构如下图
其中：
Perference：表示用户的喜好数据，是个三元组（userid, itemid, value），分别表示用户id, 物品id和用户对这个物品的喜好值。
DataModel：是Perference的集合，可以认为是协同过滤用到的user*item的大矩阵。DateModel可以来自db, 文件或者内存。
Similarity：相似度计算的接口，各种相似度计算算法都是继承自这个接口，具体相似度计算的方法，可以参考这篇文章：http://anylin.iteye.com/blog/1721978
Recommender: 利用Similarity找到待推荐item集合后的各种推荐策略，这是最终要暴露个使用者的推荐接口，本文将重点介绍下taste里各种recommender的实现策略，有错误之处，请多指正。
各种Recommender介绍
按照协同过滤方法的分类， taste里的recommender可以分别划到对应的分类下：
Item-based:
GenericItemBasedRecommender
GenericBooleanPrefItemBasedRecommender
KnnItemBasedRecommender
User-based:
GenericUserBasedRecommender
GenericBooleanPerfUserBasedRecommender
Model-based:
SlopeOneRecommender
SVDRecommender
TreeClusteringRecommender
ItemAverageRecommender
ItemUserAverageRecommender
每种Recommender的详细介绍如下：
GenericUserBasedRecommender
一个很简单的user-based模式的推荐器实现类，根据传入的DataModel和UserNeighborhood进行推荐。其推荐流程分成三步：
第一步，使用UserNeighborhood获取跟指定用户Ui最相似的K个用户{U1…Uk}；
第二步，{U1…Uk}喜欢的item集合中排除掉Ui喜欢的item, 得到一个item集合 {Item0...Itemm}
第三步，对{Item0...Itemm}每个itemj计算 Ui可能喜欢的程度值perf(Ui, Itemj) ，并把item按这个数值从高到低排序，把前N个item推荐给Ui。其中perf(Ui, Itemj)的计算公式如下：
其中 
是用户Ul对Itemj的喜好值。
GenericBooleanPerfUserBasedRecommender
继承自GenericUserBasedRecommender， 处理逻辑跟GenericUserBasedRecommender一样，只是 的计算公式变成如下公式
其中是布尔型取值，不是0就是1。
GenericItemBasedRecommender
一个简单的item-based的推荐器，根据传入的DateModel和ItemSimilarity去推荐。基于Item的相似度计算比基于User的相似度计算有个好处是，item数量较少，计算量也就少了，另外item之间的相似度比较固定，所以相似度可以事先算好，这样可以大幅提高推荐的速度。
其推荐流程可以分成三步：
第一步，获取用户Ui喜好的item集合{It1…Itm}
第一步，使用MostSimilarItemsCandidateItemsStrategy(有多种策略, 功能类似UserNeighborhood) 获取跟用户喜好集合里每个item最相似的其他Item构成集合 {Item1…Itemk}；
第二步，对{Item1...Itemk}里的每个itemj计算 Ui可能喜欢的程度值perf(Ui, Itemj) ，并把item按这个数值从高到低排序，把前N个Item推荐给Ui。其中perf(Ui, Itemj)的计算公式如下：
其中
是用户Ul对Iteml的喜好值。
GenericBooleanPrefItemBasedRecommender
继承自GenericItemBasedRecommender， 处理逻辑跟GenericItemBasedRecommender一样，只是 的计算公式变成如下公式
其中是布尔型取值，不是0就是1。
KnnItemBasedRecommender
继承自GenericItemBasedRecommender， 处理逻辑跟GenericItemBasedRecommender一样，只是 的计算公式比较复杂，基于一篇论文提到的算法，论文地址在这里
http://public.research.att.com/~volinsky/netflix/BellKorICDM07.pdf。根据论文介绍，该算法对数据进行了一些预处理，同时改进了邻居选取策略，再不怎么增加计算量的情况下，可以较大幅度提高推荐准确度。
ItemAverageRecommender
这是一个提供给实验用的推荐类，简单但计算快速，推荐结果可能会不够好。它预测一个用户对一个未知item的喜好值是所有用户对这个item喜好值的平均值，预测公式如下。
ItemUserAverageRecommender
在ItemAverageRecommender的基础上，考虑了用户喜好的平均值和全局所有喜好的平均值进行调整，它的预测公式如下：
其中 
是所有用户对Itemj喜好的平均值， 
是用户Ul所有喜好的平均值，
是全局所有喜好值的平均值。
RandomRecommender
随机推荐item, 除了测试性能的时候有用外，没太大用处。
SlopeOneRecommender
基于Slopeone算法的推荐器，Slopeone算法适用于用户对item的打分是具体数值的情况。Slopeone算法不同于前面提到的基于相似度的算法，他计算简单快速，对新用户推荐效果不错，数据更新和扩展性都很不错，预测能达到和基于相似度的算法差不多的效果，很适合在实际项目中使用。
基本原理：
用户 对itema打分 对itemb打分
X 3 4
Y 2 4
Z 4 ?
用户Z对itemb的打分可能是多少呢？ Slope one算法认为：所有用户对事物A对itemb的打分平均差值是：((3 - 4) + (2 - 4)) / 2 = -1.5，也就是说人们对itemb的打分一般比事物A的打分要高1.5，于是Slope one算法就猜测Z对itemb的打分是4 + 1.5 = 5.5
当然在实际应用中，用户不止X,Y 两个，跟itemb相关的item也不止A一个，所以slopeone的预测公式如下：
其中
表示与, 用户Ui打过分的除itemj之外所有其他item集合， 
表示用户Ui对 itemk的打分。
表示除Ui外所有其他用户对itemk和itemj打分差值的平均值。
其中
表示除Ui外其他所有用户的集合。
SVDRecommender
SVD(Singular Value Decomposition)的想法是根据已有的评分情况，分析出评分者对各个因子的喜好程度以及电影包含各个因子的程度，最后再反过来根据分析结果预测评分。电影中的因子可以理解成这些东西：电影的搞笑程度，电影的爱情爱得死去活来的程度，电影的恐怖程度。。。。。。SVD的想法抽象点来看就是将一个N行M列的评分矩阵R（R[u][i]代表第u个用户对第i个物品的评分），分解成一个N行F列的用户因子矩阵P（P[u][k]表示用户u对因子k的喜好程度）和一个M行F列的物品因子矩阵Q（Q[i][k]表示第i个物品的因子k的程度）。用公式来表示就是
R = P * T(Q) //T(Q)表示Q矩阵的转置
基于SVD矩阵分解技术的推荐器，暂时没有研究， 具体可以参考这个文档。
https://cwiki.apache.org/confluence/display/MAHOUT/Collaborative+Filtering+with+ALS-WR
TreeClusteringRecommender
基于树形聚类的推荐算法
特点
用户数目少的时候非常合适
计算速度快
需要预先计算
这个算法在mahout-0.8版本中，已经被@Deprecated。
基于模型的推荐算法、基于满意度得推荐算法（未实现）
转载于:https://blog.51cto.com/1992mrwang/1337936
