用意: 网络上有很多关于使用mahout搭建推荐系统的文章,但是还没有一个从建立推荐系统原型至部署到简单服务器的完整教程. 虽然部分朋友对推荐系统很感兴趣, 但是因hadoop的复杂而却步.  同时对于那些没有任何Web开发经验的朋友来说, 一个完整的小型推荐系统可以很大的激发学习的兴趣和动手的冲动. 我觉得动手的冲动比看书的冲动要重要的多.

     原型分为两个系列 : JAVA原型和Python原型.

这篇博客主要是介绍JAVA推荐系统原型: 主要参考[1]

使用MyEclipse和Mahout开发一个REST风格[3]的简单推荐系统

     Library见下图 core server client json.

2. 在/src目录下加入HelloRS文件. 内容如下

import javax.ws.rs.GET;import javax.ws.rs.Path;import javax.ws.rs.Produces;import javax.ws.rs.core.MediaType;//设置路径为http://域名:端口/ConTextRootURL/url-pattern + /hello//以我的机子为例:http://localhost:8080/rs/rest/hello@Path("/recommend")public class HelloRS {  // 这个方法将返回普通文本  @GET  @Produces(MediaType.TEXT_PLAIN)  public String sayPlainTextHello() {    return "Hello REST";  }  // 这个方法将返回XML文件  @GET  @Produces(MediaType.TEXT_XML)  public String sayXMLHello() {    return "
    " + "
    
      Hello REST" + "
    ";  }  // 这个方法将返回HTML文件  @GET  @Produces(MediaType.TEXT_HTML)  public String sayHtmlHello() {    return " " + ""        + "
" + "Hello REST" + "
" + " ";  }}

2. 在src下新建一个RecommenderIntro.java文件,代码如下:

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.*;class RecommenderIntro {     private FileDataModel model;     private PearsonCorrelationSimilarity similarity;     private NearestNUserNeighborhood neighborhood;     private GenericUserBasedRecommender recommender;    // 从filename中读取数据(用户id, 物品id, 评分rate), 生成数据类model, 相似类similarity以及最相近的邻居类(2个)     public RecommenderIntro(String filename) throws Exception {          model = new FileDataModel(new File(filename));          similarity = new PearsonCorrelationSimilarity(model);          neighborhood =               new NearestNUserNeighborhood(2, similarity, model);          recommender = new GenericUserBasedRecommender(                    model, neighborhood, similarity);}// 对用户userid推荐前num个物品.public List
    
      SimpleRecommend(int userid, int num) throws Exception {     List
     
       recommendations =     recommender.recommend(1, 1);     return recommendations;}}
     
    

代码介绍: 

    本算法是最简单的基于用户的协同过滤. 现实解释:你想别人给你推荐一个电影,你会从一堆人中找到与你最熟悉的几个人推荐电影给你,然后找到被推荐次数最多的电影. Model类用来存储数据, mahout为了节约内存, 数据结构设计的很好,下次找个机会聊聊. Similarity计算两个人之间的相似性, 而Neighborhood则是为每个人保存最相似的2个人.最后recommener结合model\neighborhood和similarity来为某个user推荐N个好友. 

3. 修改helloRS文件修改如下所示:

    将intro.csv文件放到src/目录下

import java.util.List;import javax.ws.rs.DefaultValue;import javax.ws.rs.GET;import javax.ws.rs.Path;import javax.ws.rs.Produces;import javax.ws.rs.QueryParam;import javax.ws.rs.core.MediaType;import org.apache.mahout.cf.taste.recommender.RecommendedItem;//Sets the path to base URL + /hello@Path("/recommend")public class HelloRS {	private RecommenderIntro recommender = null;	private String filename = null;	// This method is called if TEXT_PLAIN is request	@GET	@Produces(MediaType.TEXT_PLAIN)	public String sayPlainTextHello(			@DefaultValue("1") @QueryParam("id") String id,			@DefaultValue("1") @QueryParam("num") String num) throws Exception {		int userId = Integer.valueOf(id);		int rankNum = Integer.valueOf(num);		String resultStr = getRecommender(userId, rankNum);		return resultStr;	}	// This method is called if XML is request	@GET	@Produces(MediaType.TEXT_XML)	public String sayXMLHello(@DefaultValue("1") @QueryParam("id") String id,			@DefaultValue("1") @QueryParam("num") String num) throws Exception {		int userId = Integer.valueOf(id);		int rankNum = Integer.valueOf(num);		String resultStr = getRecommender(userId, rankNum);		return "
    " + "
    
      " + resultStr + "
    ";	}	// This method is called if HTML is request	@GET	@Produces(MediaType.TEXT_HTML)	public String sayHtmlHello(@DefaultValue("1") @QueryParam("id") String id,			@DefaultValue("1") @QueryParam("num") String num) throws Exception {		System.out.println(id + " " + num);		int userId = Integer.valueOf(id);		int rankNum = Integer.valueOf(num);		String resultStr = getRecommender(userId, rankNum);		return " " + "" + "
"				+ resultStr + "
" + " ";	}	private String getRecommender(int userId, int num) throws Exception {		if (filename == null) {			String classPath = this.getClass().getClassLoader()					.getResource("/").getPath();						classPath = classPath.replace("%20", "\\ ");			filename = classPath + "intro.csv";			System.out.println(filename);		}		if (recommender == null)			recommender = new RecommenderIntro(filename);		List
    
      recommendedList = recommender.SimpleRecommend(				userId, num);		String resultStr = "Result=" + recommendedList.get(0).getItemID() + " "				+ recommendedList.get(0).getValue();		return resultStr;	}}
    

代码介绍: 代码提供了XML\HTML和普通文本三个格式, 以浏览器默认的HTML格式为例. 

如果浏览器 输入  

参数表@DefaultValue("1") @QueryParam("id") String id, @DefaultValue("1") @QueryParam("num") String num表示获得参数

id = "1", num = "1". 之后通过getRecommender来初始化Recommender并获得数据. QueryParam表示GET方法的数据.

注: 由于intro.csv数据集比较少,所有部分id和num值无法返回合适的结果.

注: 由与intro.csv最终会部署在tomcat上,所以需要获得tomcat中class的路径.

注: recommender作为成员函数,保证每一个函数都引用同一份数据,保证一致性.

获取路径的方法如下:

String classPath = this.getClass().getClassLoader()					.getResource("/").getPath();

4. 运行代码,即可使用 即可在浏览器中访问.

返回:

Result=104 4.257081

[2] Lars Vogel  REST with Java (JAX-RS) using Jersey - Tutorial [3] REST 参考豆瓣API