基于hadoop的推荐算法-mahout版 - - ITeye技术网站 http://blackproof.iteye.com/blog/2110877
求项目相似矩阵是基于项目的协同过滤算法的核心
公式有很多种，核心是物品i和物品j相关用户的交集与并集的商
基于hadoop的推荐算法，讲其中mahout实现的基于项目的推荐算法
分为4步：
1.获得人-物 用户矩阵
输入为所有人对物品的评价或关联
map端输出key为人，value为物品+倾好度
reeduce端输出key为人，vallue为多个物品+倾好度
2.获得物-物 项目矩阵
输入为“用户矩阵”，讲每一行人-物数据中的物品做笛卡尔积，生产成物-物的关联
map端输出为key为物，value为关联度
reduce端输出key为物，value为多个物的关联度
（可以根据各种规则生成项目相似度矩阵表，此处算法带过）
修改：
求项目相似矩阵是基于项目的协同过滤算法的核心
公式有很多种，核心是物品i和物品j相关用户的交集与并集的商
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的实现方法是
第一个job，用物品-人的矩阵，求得norms，即物品的用户平方和，输出是物-norms
第二个job，Map：用人-物的矩阵，求Pi(u)Pi(u),即相同用户的物品的评价的乘机，输出物-多个对端物品的Pi(u)Pi(u)
Reduce：用物-多个对端物品的Pi(u)*Pi(u)和物-norms，求得物品的相似矩阵（因为这个时候可以汇总所有和这个物品相关的物品的dot）
第三个job，补全物品的相似矩阵
3.获得用户-项目相似矩阵
输入为人-物 用户矩阵 和 物-物 项目矩阵
Map端输出key为物，value为类VectorOrPrefWritable，是包含物与人的倾好度，或是物与物的相似度
reduce端输出key为物，value为类VectorAndPrefWritable,是汇总当个物品到所有人的倾好度和到所有物品的相似度
4.获得用户推荐矩阵
输入为VectorAndPrefWritable
Map端输出为key：人，value：物+系数（map端根据单个物品贡献的系数生成推荐系数，也就是人到物品A的倾好度*物品A到其他物品的相似度）
reduce端输出为key：人，，value：推荐项目+系数（reduce端使用自定公式，汇总所有单物品贡献的四叔，求人到其他项目的倾好度，取topn作为当前用户的推荐项目）
再在这里贴几个mahout推荐算法分析的帖子：
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代码：
