推薦器實(shí)現(xiàn)類在：

org.apache.mahout.cf.taste.Hadoop.item.RecommenderJob。其輸入數(shù)據(jù)放在默認(rèn)輸入目錄下，使用mapred.input.dir參數(shù)指定的輸入數(shù)據(jù)，是userID,itemID[,preferencevalue]值對(duì)形成的文本文件。可以有多個(gè)文件存放在該目錄下。

運(yùn)行時(shí)相關(guān)參數(shù)如下：

numRecommendations：為每個(gè)用戶產(chǎn)生的推薦個(gè)數(shù) "Number of recommendations per user"

usersFile：包含待推薦用戶的用戶ID列表；

itemsFile：包含待推薦項(xiàng)目的項(xiàng)目ID列表；

filterFile：用來做推薦過濾的訓(xùn)練文件，內(nèi)容為使用逗號(hào)分隔的userID,itemID對(duì)，

booleanData：不帶推薦值的訓(xùn)練數(shù)據(jù)文件；

maxPrefsPerUser：Maximum number of preferences considered per user in final recommendation phase；

minPrefsPerUser：ignore users with less preferences than this in the similarity computation ；   maxSimilaritiesPerItem：Maximum number of similarities considered per item；

maxurrencesPerItem：try to cap the number of urrences per item to this;

similarityClassname：Name of distributed similarity class to instantiate, alternatively use one of the predefined similarities，可用的相似度類有：

 SIMILARITY_URRENCE(DistributedurrenceVectorSimilarity.class),

 SIMILARITY_EUCLIDEAN_DISTANCE(DistributedEuclideanDistanceVectorSimilarity.class),

 SIMILARITY_LOGLIKELIHOOD(DistributedLoglikelihoodVectorSimilarity.class),

 SIMILARITY_PEARSON_CORRELATION(DistributedPearsonCorrelationVectorSimilarity.class),

 SIMILARITY_TANIMOTO_COEFFICIENT(DistributedTanimotoCoefficientVectorSimilarity.class),

 SIMILARITY_UNCENTERED_COSINE(DistributedUncenteredCosineVectorSimilarity.class),

 SIMILARITY_UNCENTERED_ZERO_ASSUMING_COSINE(DistributedUncenteredZeroAssumingCosineVectorSimilarity.class),

 SIMILARITY_CITY_BLOCK(DistributedCityBlockVectorSimilarity.class);

RecommendJob運(yùn)行一系列MR任務(wù)，在開發(fā)時(shí)，可以根據(jù)自己的需要進(jìn)行改寫。但是RecommendJob申明成final，這個(gè)比較頭疼。

1.itemIDIndex 任務(wù)：

map：解析輸入的itemsFile；將長整型的ID通過算法映射到整形的序號(hào)上，以便后續(xù)處理。由于處理中涉及到矩陣計(jì)算，每一個(gè)項(xiàng)目對(duì)應(yīng)矩陣中的一個(gè)維度，所以必須處理成整形；產(chǎn)生序號(hào)-ID值對(duì)；

reducer：對(duì)序號(hào)-ID對(duì)進(jìn)行驗(yàn)證，產(chǎn)生序號(hào)-ID值對(duì)；

2.toUserVector任務(wù)：

ToItemPrefsMapper：從filterFile中讀取偏好信息，轉(zhuǎn)成用戶-偏好值對(duì)。

ToUserVectorReducer：將用戶-偏好*，轉(zhuǎn)成用戶-偏好矢量對(duì)，矢量表即為所有的ItemID。

3.countUsers 任務(wù)：計(jì)算用戶數(shù)量，輸出為用戶數(shù)量--空。

4.maybePruneAndTransponse，一個(gè)名稱很奇怪的任務(wù)。

MaybePruneRowsMapper:輸入為任務(wù)2的輸出，生成針對(duì)每個(gè)item項(xiàng)目的推薦值矩陣單元，即Item序號(hào)和矩陣單元的值對(duì)。

ToItemVectorsReducer：輸出為矩陣行號(hào)（即Item序號(hào)）-矩陣行矢量

5. RowSimilarityJob: 計(jì)算相似度矩陣：這是引用一個(gè)現(xiàn)有的任務(wù)來完成計(jì)算，輸入為任務(wù)4輸出的矩陣；輸出為相似度矩陣，即item-相似度矢量。其中相似度矢量是當(dāng)前item和其他item的相似度值形成的矢量。

6. prePartialMultiply1：輸入為任務(wù)5的輸出，將相似度矩陣中的對(duì)角線行，即（N,N）數(shù)值設(shè)置為Double.NaN,為后續(xù)計(jì)算做準(zhǔn)備；

7. prePartialMultiply2：輸入為任務(wù)2的輸出，將user-（項(xiàng)目矢量），拆分成item-(userId, 推薦值)對(duì)。如果設(shè)置了usersFile，則僅處理usersFile中指定的用戶。

8. partialMultiply: 合并任務(wù)6和7的額輸出，變成item-(相似度矢量、userId、推薦值) 對(duì)。

9. itemFiltering：如果有filterFile,則處理filterFile文件，轉(zhuǎn)換成item-(相似度矢量、userId、推薦值)對(duì)。其中相似度矢量的值為0；

aggregateAndRecommend：將8和9的輸出合并作為輸入，

PartialMultiplyMapper: 將item-(相似度矢量、userId、推薦值)集轉(zhuǎn)換成userId-(推薦值，相似度矢量)值對(duì)；

AggregateAndRecommendReducer：匯總map輸出，產(chǎn)生userId-（(itemId, 推薦值)列表）值對(duì)，其中(itemId, 推薦值)列表是按照推薦度來排序，如果maxPrefsPerUser、minPrefsPerUser、maxurrencesPerItem，則只產(chǎn) 生符合條件的userId值對(duì)。