jianggeye7485的博客

基于信息检索（IR）指标来评估推荐系统优劣使用IR指标来评估推荐系统，使用IR评估获得精确率(Precision)和召回率(Recall)和f-measure（精确率(Precision)和召回率(Recall)加权调和平均）。精确率(Precision)：召回率(Recall)：f-measure计算公式:精确率(Precision)和召回率(Recall)加权调和平均.当β=1...

推荐系统简介互联网的出现和普及给用户带来了大量的信息，满足了用户在信息时代对信息的需求，但随着网络的迅速发展而带来的网上信息量的大幅增长，使得用户在面对大量信息时无法从中获得对自己真正有用的那部分信息，对信息的使用效率反而降低了，这就是所谓的信息超载问题。解决信息超载问题一个非常有潜力的办法是推荐系统，它是根据用户的信息需求、兴趣等，将用户感兴趣的信息、产品等推荐给用户的个性化信息推荐系统。和...

偏好数组Preference在Mahout中，用户的喜好被抽象为一个Preference，包含了userId，itemId和偏好值（user对item的偏好）。Preference是一个接口，它有一个通用的实现是GenericPreference。实例：import org.apache.mahout.cf.taste.impl.model.GenericPreference;impo...

Data Model 数据模型上一次的学习知道了如何储存单个用户的偏好使用PreferenceArray。如何储存所有用户的偏好数据呢？由于Mahout没有常用的Map和set，它使用的是基于hash的FastByIDMap，其中FastByIDMap的Key和Value都是long类型的。实例： import org.apache.mahout.cf.taste.impl.mod...

Recommender构建一个最简单的recommender简单流程为：①：创建DataModel读取数据源文件（读入DataModel的文件的格式为：用户ID，物品ID，偏好值，时间戳）。②：相似度计算。③：如果是UserCF则需要使用选择近邻算法（NearestNUserNeighborhood 参数为（邻居个数，相似度，datamodel），ThresholdUserNeighbo...

推荐系统的评估import org.apache.mahout.cf.taste.common.TasteException;import org.apache.mahout.cf.taste.eval.RecommenderBuilder;import org.apache.mahout.cf.taste.eval.RecommenderEvaluator;import org.apa...