Eclipse下mahout实现推荐的简单实例

关注

原创最新推荐文章于 2026-05-29 23:03:56 发布 7.8k 阅读 AI 写同款· GEO 优化 ›

Mahout 搭建开发环境 + 实现项目示例等等在定我此时是一个完全没用过Mahout的门外汉，对Hadoop也没有实际使用经验，算是真正的零基础。我的目标是希望以最简单的方式搭建起一个Mahout的开发环境，以最快的速度让Mahout工作起来，以方便后续的进一步学习。于是，经过一番折腾，便有了本文。本文记录了 Linux 下Eclipse+Maven+Mahout单机环境的搭建过程。我不知道这是不是最简单的Mahout开发环境，但阅读详情

数据准备：test.txt

第一列为UserID ，第二列为ItemID，第三列为Preference Value 即评分

[plain] view plain copy print ?

1,101,5
1,102,3
1,103,2.5
2,101,2
2,102,2.5
2,103,5
2,104,2
3,101,2.5
3,104,4
3,105,4.5
3,107,5
4,101,5
4,103,3
4,104,4.5
4,106,4
5,101,4
5,102,3
5,103,2
5,104,4
5,105,3.5
5,106,4

1,101,5
1,102,3
1,103,2.5
2,101,2
2,102,2.5
2,103,5
2,104,2
3,101,2.5
3,104,4
3,105,4.5
3,107,5
4,101,5
4,103,3
4,104,4.5
4,106,4
5,101,4
5,102,3
5,103,2
5,104,4
5,105,3.5
5,106,4

eclipse中新建一个java工程，然后在src目录下新建一个类RecommenderIntro (这里只是做测试，就放在默认包下，不新建包了)，代码如下：

[java] view plain copy print ?

import org.apache.mahout.cf.taste.impl.model.file.*;
import org.apache.mahout.cf.taste.impl.neighborhood.*;
import org.apache.mahout.cf.taste.impl.recommender.*;
import org.apache.mahout.cf.taste.impl.similarity.*;
import org.apache.mahout.cf.taste.model.*;
import org.apache.mahout.cf.taste.neighborhood.*;
import org.apache.mahout.cf.taste.recommender.*;
import org.apache.mahout.cf.taste.similarity.*;
import java.io.*;
import java.util.*;
public class RecommenderIntro {
private RecommenderIntro(){};
public static void main (String args[])throws Exception{
// step:1 构建模型 2 计算相似度 3 查找k紧邻 4 构造推荐引擎
DataModel model =new FileDataModel(new File("/home/test/test-in/test.txt"));//文件名一定要是绝对路径
UserSimilarity similarity =new PearsonCorrelationSimilarity(model);
UserNeighborhood neighborhood =new NearestNUserNeighborhood(2,similarity,model);
Recommender recommender= new GenericUserBasedRecommender(model,neighborhood,similarity);
List<RecommendedItem> recommendations =recommender.recommend(1, 2);//为用户1推荐两个ItemID
for(RecommendedItem recommendation :recommendations){
System.out.println(recommendation);
}
}
}

import org.apache.mahout.cf.taste.impl.model.file.*;
import org.apache.mahout.cf.taste.impl.neighborhood.*;
import org.apache.mahout.cf.taste.impl.recommender.*;
import org.apache.mahout.cf.taste.impl.similarity.*;
import org.apache.mahout.cf.taste.model.*;
import org.apache.mahout.cf.taste.neighborhood.*;
import org.apache.mahout.cf.taste.recommender.*;
import org.apache.mahout.cf.taste.similarity.*;
import java.io.*;
import java.util.*;
public class RecommenderIntro {
	private RecommenderIntro(){};
	
	public static void main (String args[])throws Exception{
                // step:1 构建模型 2 计算相似度 3 查找k紧邻 4 构造推荐引擎
		DataModel  model =new FileDataModel(new File("/home/test/test-in/test.txt"));//文件名一定要是绝对路径
		UserSimilarity similarity =new PearsonCorrelationSimilarity(model);
		UserNeighborhood neighborhood =new NearestNUserNeighborhood(2,similarity,model);
		Recommender recommender= new GenericUserBasedRecommender(model,neighborhood,similarity);
		List<RecommendedItem> recommendations =recommender.recommend(1, 2);//为用户1推荐两个ItemID
		for(RecommendedItem recommendation :recommendations){
			System.out.println(recommendation);
		}
		
	}
}

此时肯定会报错，因为还没有导入任何相关Jar包，将mahout-core-0.4.jar导到工程中，此时代码不会显示有错了

然后Run As 选择Java Application，单机运行（当然集群如果成功启动的话，也可以在集群上运行的）。此时在运行后，会相继报一些包不存在，根据提示，依次将包导到工程中。我在测试的过程中，先后导入了slf4j-api-1.6.0.jar，slf4j-jcl-1.6.0.jar，google-collection-1.0-rc2.jar，commons-logging-1.1.1.jar，mahout-math-0.4.jar，uncommons-maths-1.2.jar，这些包都可以在mahout安装目录下的lib目录下找到。经过一步步差包导包（控制台报什么包不存在，我就找到相应包导入）调试后，最后运行成功，结果如下：

RecommendedItem[item:104, value:4.257081]

RecommendedItem[item:106, value:4.0]

结果分析：找到用户1的相似用户2和用户5，用户2和用户5共同有104，所以推荐分数高，但我不知道这个分数是怎么算出来的？用户2中没有其它可以推荐，然后用户5中还有105和106可以推荐，而106的评分比105高，所以第二个结果是106，不知道理解的对不对？只是自己猜测的，有知道其中内幕的和知道推荐分数怎么算的，请留言分享一下，开源是促进相互学习的好方法，呵呵

然后看了一下mahout的taste工作原理，我将mahout安装目录下的mahout-taste-webapp-0.4.war放在tomcat安装目录下的webapps中，然后启动tomcat，然后在浏览器中输入：http://localhost:8080/mahout-taste-webapp-0.4/RecommenderService.jws ，可以看到Taste 提供的Web 服务访问接口(即WebServices服务)，但却不能根据用户ID查询，估计应该还要下载相应的数据集和jar包，详见基于 Apache Mahout 构建社会化推荐引擎

参考资料：

1.http://www.ibm.com/developerworks/cn/java/j-mahout/

2.http://blog.csdn.net/zhzhl202/article/details/6316570

3.http://www.ibm.com/developerworks/cn/java/j-lo-mahout/

收录于