原創博客，歡迎轉載，轉載請注明：http://my.oschina.net/BreathL/blog/62519

??????最近研究Mahout比較多，特別是里面協同過濾算法；于是把協同過濾算法的這個實現思路與數據流程，總結了一下，以便以后對系統做優化時，有個清晰的思路，這樣才能知道該如何優化且優化后數據亦能正確。

? ? ?推薦中的協同過濾算法簡單說明下：

?????首先，通過分析用戶的偏好行為，來挖掘出里面物品與物品、或人與人之間的關聯。

? ? ?其次，通過對這些關聯的關系做一定的運算，得出人與物品間喜歡程度的猜測，即推薦值。

? ? ?最后，將推薦值高的物品推送給特定的人，以完成一次推薦。

? ? ?這里只是籠統的介紹下，方便下邊的理解，IBM的一篇博客對其原理講解得淺顯易懂，同時也很詳細《深入推薦引擎相關算法 - 協同過濾》，我這里就不細講了。

? ? ?協同過濾算法大致可分為兩類，基于物品的與基于用戶的；區分很簡單，根據上面的邏輯，若你挖掘的關系是物品與物品間的，就是基于物品的協同過濾算法，若你挖掘的關系是用戶與用戶間的，就是基于用戶的協同過濾算法；由于它們實現是有所不同，所以我分開整理，先來看看基于物品的協同過濾實現，我自己畫了一幅圖：

? ? ?我通過數字的順序，來標示數據變化的方向（由小到大）；下面分析下每一個步驟的功能以及實現。

? ? ?首先，說明下兩個大的數據源，用戶偏好數據：UserID、ItemID、Preference：表示一個對一個物品的喜好程度；關系數據：ItemIDA(UserIDA)、ItemIDB(UserIDB)、Similarity：表示兩個人或物品間的相似程度；接著一個用戶來了，我們需要為其推薦，得拿到他的身份標示，一般是UserID，于是：

? ? ?①.? ? 查找這個用戶喜歡過的物品（即偏好的產品，并查出偏好值后面會用），以及還沒有喜歡過的商品，前者是推薦運算的根據，后者作為一個產生推薦的一個集合；如②?畫的那樣。

? ? ?②.? ? 這里是一個可擴展的地方（我自己理解）；因為這兩部分的數據的作用非常明顯，修改這兩個集合對后面產生的推薦結果可產生非常直觀的影響，比如清洗過濾，或根據用戶屬性縮小集合；不僅使后面推薦效果更優，運算性能也可以大幅度提高。

? ? ?③.? ? 查找這兩個集合之間的關系，這是一對多的關系：一個沒有偏好過的物品與該用戶所有偏好過的物品間的關系，有一個值來衡量這個關系叫相似度Similarity；這個關系怎么來的，看藍色箭頭的指向。步驟⑥

? ? ?④.? ? 得到這個一對多的關系后，就可以計算這個物品對于這個用戶的推薦值了，圖中similarity_i-x表示Item_i 與 Item_x 之間的相似度，Item_x是該用戶偏好過得，該用戶對其偏好值記為 value_x ，相乘；Item_i 與 該用戶偏好過的所有物品以此做以上運算后，得到的值取平均值 便是 Item_i的推薦值了。注：有可能Item_i 不是與所有 該用戶偏好過的物品都都存在相似性，不存在的，不計算即可；另外這里方便理解介紹的都是最簡單的實現；你也可以考一些復雜的數學元素，比如方差來判斷離散性等。

? ? ?⑤.? ? 這步就簡單多了，剛才對該用戶沒有偏好過的集合中的所有Item都計算了推薦值，這里就會得到一個list，按推薦值由大到小排序，返回前面的一個子集即可。

? ? ?⑥。 前面已經提到，關系數據時怎么來的，也是根據用戶的偏好數據；你把其看成一個矩陣，橫著看過來，參考兩個Item間的共同用戶，以及共同用戶的偏好的值的接近度；這里的可選擇的相似度算法很多，不一一介紹了，前面提到的IBM博客也詳細講解了。

? ? ?基于物品的協同過濾算法分析完了，下面是基于用戶的協同過濾算法，還是自己畫了一幅圖：

? ? ?①.? ? 同樣也是查詢，只是查詢的對象不一樣了，查詢的是與該用戶相似的用戶，所以一來直接查了關系數據源。以及相似用戶與該用戶的相似度。

? ? ?②.? ? 與剛才類似，也是對數據集的一個優化，不過作用可能沒那么大。（個人感覺）

? ? ?③.? ? 查詢關系數據源，得到相似用戶即鄰居偏好過的物品；如步驟④；圖中由于空間小，沒有把所有鄰居的偏好關系都列出來，用……表示。其次還要得到該用戶偏好過的物品集合。

? ? ?④.? ? 被推薦的Item集合是由該用戶的所有鄰居的偏好過的物品的并集，同時再去掉該用戶自己偏好過的物品。作用就是得到你的相似用戶喜歡的物品，而你還沒喜歡過的。

? ? ?⑤.? ? 集合優化同基于物品的協同過濾算法的步驟②。

? ? ?⑥.? ? 也是對應類似的，依次計算被推薦集合中Item_i 的推薦值，計算的方式略有不同，Value_1_i表示鄰居1對，Item_i的偏好值，乘以該用戶與鄰居1的相似度 Similarity1；若某個鄰居對Item_i偏好過，就重復上述運算，然后取平均值；得到Item_i的推薦值。

? ? ?⑦、⑧.?與上一個算法的最后兩部完全類似，只是步驟??⑧你豎著看，判斷兩個用戶相似的法子和判斷兩個物品相似的法子一樣。

? ? ?詳細的實現過程分析完了，但Mahout里面的實現時，似乎不太考慮查詢的成本，并非一次全部查出，每計算個Item的推薦值查一次，你計算5000個就查5000次，若數據源都使用的是MySQL的話，我有點根兒顫，但一次全部查出再計算，肯定是個慢查詢，且查詢后的數據不是規則的，需要整，又添加了計算量；若各位有好的優化思路，望能分享下，先謝過。

? ? ?

總結

以上是生活随笔為你收集整理的推荐系统中协同过滤算法实现分析的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。