Apache Mahout 简介：通过可伸缩、商业友好的机器学习来构建智能应用程序

核心提示： 从清单 3 中可以看到，系统推荐了一些信心级别不同的文章，Apache Mahout 简介：通过可伸缩、商业友好的机器学习来构建智能应用程序(9)，事实上，这些项目的分数都是由其他 Lincoln 爱好者指定的，幸运的是，Taste 可以非常轻松地实现基于项目的方法，而不是用户 995 一人所为

从清单 3 中可以看到，系统推荐了一些信心级别不同的文章。事实上，这些项目的分数都是由其他 Lincoln 爱好者指定的，而不是用户 995 一人所为。如果您希望查看其他用户的结构，只需要在命令行中传递 -Duser.id=USER-ID 参数，其中 USER-ID 是 0 和 999 之间的编号。您还可以通过传递 -Dneighbor.size=X 来更改邻近空间，其中，X 是一个大于 0 的整型值。事实上，将邻近空间更改为 10 可以生成极为不同的结果，这是因为阾近范围内存在一个随机用户。要查看邻近用户以及共有的项目，可以向命令行添加 -Dcommon=true。

现在，如果您所输入的编号恰好不在用户范围内，则会注意到示例生成了一个 NoSuchUserException。确实，应用程序需要处理新用户进入系统的情况。举例来说，您可以只显示 10 篇最热门的文章，一组随机文章，或者一组 “不相关” 的文章 — 或者，与其这样，还不如不执行任何操作。

如前所述，基于用户的方法经常不具有可伸缩性。在本例中，使用基于项目的方法是更好的选择。幸运的是，Taste 可以非常轻松地实现基于项目的方法。处理项目相似度的基本代码并没有很大差异，如清单 4 所示：

清单 4. 项目相似度示例（摘录自 cf.wikipedia.WikipediaTasteItemItemDemo）

//create　the　data　model　
FileDataModel　dataModel　=　new　FileDataModel(new　File(recsFile));　
//Create　an　ItemSimilarity　
ItemSimilarity　itemSimilarity　=　new　LogLikelihoodSimilarity(dataModel);　
//Create　an　Item　Based　Recommender　
ItemBasedRecommender　recommender　=　
　　　　new　GenericItemBasedRecommender(dataModel,　itemSimilarity);　
//Get　the　recommendations　
List<RecommendedItem>　recommendations　=　
　　　　recommender.recommend(userId,　5);　
TasteUtils.printRecs(recommendations,　handler.map);