基于hadoop的推薦算法-mahout版 - - ITeye技術網站 http://blackproof.iteye.com/blog/2110877

求項目相似矩陣是基于項目的協同過濾算法的核心
公式有很多種，核心是物品i和物品j相關用戶的交集與并集的商

基于hadoop的推薦算法，講其中mahout實現的基于項目的推薦算法
分為4步：
1.獲得人-物 用戶矩陣
輸入為所有人對物品的評價或關聯
map端輸出key為人，value為物品+傾好度
reeduce端輸出key為人，vallue為多個物品+傾好度

2.獲得物-物 項目矩陣
輸入為“用戶矩陣”，講每一行人-物數據中的物品做笛卡爾積，生產成物-物的關聯
map端輸出為key為物，value為關聯度
reduce端輸出key為物，value為多個物的關聯度
（可以根據各種規則生成項目相似度矩陣表，此處算法帶過）
修改：
求項目相似矩陣是基于項目的協同過濾算法的核心
公式有很多種，核心是物品i和物品j相關用戶的交集與并集的商
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)-2dot(i,j)+noorm(i))^1/2)

mahout的實現方法是
第一個job，用物品-人的矩陣，求得norms，即物品的用戶平方和，輸出是物-norms
第二個job，Map：用人-物的矩陣，求Pi(u)Pi(u),即相同用戶的物品的評價的乘機，輸出物-多個對端物品的Pi(u)Pi(u)
Reduce：用物-多個對端物品的Pi(u)*Pi(u)和物-norms，求得物品的相似矩陣（因為這個時候可以匯總所有和這個物品相關的物品的dot）
第三個job，補全物品的相似矩陣

3.獲得用戶-項目相似矩陣
輸入為人-物 用戶矩陣 和 物-物 項目矩陣
Map端輸出key為物，value為類VectorOrPrefWritable，是包含物與人的傾好度，或是物與物的相似度
reduce端輸出key為物，value為類VectorAndPrefWritable,是匯總當個物品到所有人的傾好度和到所有物品的相似度

4.獲得用戶推薦矩陣
輸入為VectorAndPrefWritable
Map端輸出為key：人，value：物+系數（map端根據單個物品貢獻的系數生成推薦系數，也就是人到物品A的傾好度*物品A到其他物品的相似度）
reduce端輸出為key：人，，value：推薦項目+系數（reduce端使用自定公式，匯總所有單物品貢獻的四叔，求人到其他項目的傾好度，取topn作為當前用戶的推薦項目）

再在這里貼幾個mahout推薦算法分析的帖子：
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代碼：