Erli11的专栏

libMF是由台湾大学林智仁老师实验室开发的，一个用于推荐系统领域的矩阵分解开源库。矩阵分解通常用于协同过滤方法。libMF的主要特点：用了user和item的隐含特征，user和item的评分偏差bias及所有评分的评分值。libMF可以用于多核CPU的并行化计算，并且还可以有效利用CPU的SSE指令以达到加速计算的目的。官网地址注意，本文分析的是libMF的第一个版本v1.0。现在

一、现有评价指标调研1、  推荐系统实验方法在介绍评价指标之前，先讨论下计算和获取这些指标的主要实验方法。（1）       离线实验离线实验一般有如下步骤：S1 通过日志系统获取用户行为数据，并按照一定格式生成数据集；S2 将数据集分成训练集和测试集；S3 在训练集上训练用户兴趣模型，在测试机上进行预测；S4 通过预先定义的离线评测指标，评价测试集上的预测结果；

import java.io.File;import java.io.IOException;import java.util.List;import org.apache.mahout.cf.taste.common.TasteException;import org.apache.mahout.cf.taste.impl.model.file.FileDataModel;impor

1、下载mahoutURL：http://mahout.apache.org/当前版本为0.9，

1 摘要2 简介新闻阅读，随着互联网的发展，访问方式已经从订阅纸质媒体扩展到访问数目众多的网络新闻源。新闻聚集网站如google news、yahoo news，从不同的新闻网站采集数据，并提供一个聚合的视图。对于这样的新闻服务网站来说，一个严重的问题是文章的数目对于用户来说是巨大的。因此挑战是如何帮助用户找到他们感兴趣的新闻（听上去好有诱惑力呀）。基于内容的推荐是解决信息过载