Hadoop案例之基于物品的协同过滤算法ItemCF

Hadoop案例之基于物品的协同过滤算法ItemCF

转载自：http://blog.csdn.net/qq1010885678/article/details/50751607?locationNum=7&fps=1

 

 

1.ItermCF的基本思想

基于物品相似度的协同过滤推荐的思想大致可分为两部分：

1.计算物与物之前的相似度 

2.根据用户的行为历史，给出和历史列表中的物品相似度最高的推荐

通俗的来讲就是：

对于物品 A,根据所有用户的历史偏好,喜欢物品 A
的用户都喜欢物品 C,得出物品 A
和物品 C
比较相似,而用户 C
喜欢物品 A,那么可以推断出用户 C
可能也喜欢物品 C。

2. ItermCF的算法实现思路

对于以下的数据集：

UserId	ItermId	Preference
1	101	5
1	102	3
1	103	2.5
2	101	2
2	102	2.5
2	103	5
2	104	2
3	101	2
3	104	4
3	105	4.5
3	107	5
4	101	5
4	103	3
4	104	4.5
4	106	4
5	101	4
5	102	3
5	103	2
5	104	4
5	105	3.5
5	106	4
6	102	4
6	103	2
6	105	3.5
6	107	4

3.计算用户评分矩阵

首先可以建立用户对物品的评分矩阵，大概长这个样子：



列为UserId，行为ItermId，矩阵中的值代表该用户对该物品的评分。

从列的方向看，该矩阵的每一个列在mr程序中可以用一行简单的字符串来表示：

1[code] 

101

:

5

,

102

:

3

,

103

:

2.5...

这样一来，上面的矩阵5个列就可以由5行类似的字符串来构成。 
那么第一个mr任务的功能就是一个简单的数据转换过程：

1.输入的key为行偏移量，value为每行内容，形如：1,101,5.0 

2.在map阶段，分割每行内容，输出的key为1，value为101:5.0 

3.在reduce阶段，将UserId相同的所有评分记录进行汇总拼接，输出的key仍然为1，value形如：101:5,102:3,103:2.5…

如此一来通过第一个mr任务得到了用户的评分矩阵。

4.计算物品同现矩阵

该矩阵大概长这个样子：

101  102 ……

101    5     3

102    3     4

……

矩阵的值表示，两个物品同时被用户喜欢（评过分）的次数，例如：101和102这个组合被1，2，5三个用户喜欢过，那么在矩阵中101和102对应的值就是3。

这个矩阵的意义就是各个物品之间的相似度，为什么可以这么说？ 
如果两个物品经常同时被很多用户喜欢，那么可以说这两个物品是相似的，同时被越多的用户喜欢（即为通同现度，上面矩阵中的值），这两个物品的相似度就越高。 
其实观察可以发现，行和列上相同的（比如101和101）相比其他值（比如101和102，101和103）都是最大的，因为101和101就是同一个物品，相似度肯定是最大的。

从列的方向上看，这个同现矩阵的每一列在mr程序中可以通过下面简单的字符串来表示：

101[code]:

101 5

101[code]:

102 3[/code]

101[code]:

103 4[/code]

...

m*n的同现矩阵就由m个以上的字符串（n行）组成。

那么第二个mr任务的功能就是在第一个mr任务的输出结果上得到物品同现矩阵：

1.输入的key为偏移量，输入的value为UserId+制表符+ItermId1:Perference1,ItermId2:Perference2… 

2.输入的value中，UserId和Perference是不需要关心的，观察物品的同现矩阵，map阶段的工作就是将每行包含的ItermId都解析出来，全排列组合作为key输出，每个key的value记为1。 

3.在reduce阶段所做的就是根据key对value进行累加输出。

如此一来便能够得到物品的同现矩阵。

5.物品同现矩阵和用户评分矩阵的相乘

物品同现矩阵*用户评分矩阵=推荐结果：

为什么两个矩阵相乘可以得到推荐结果？ 
物品1和各个物品的同现度*用户对各个物品的喜好度，反应出用户对物品1的喜好度。

例如，要预测用户3对103物品的喜好度，我们需要找到和103相似的物品，比如101物品，和103的同现度为4，是很类似的物品，用户3对101的评分为2，那么一定程度上可以反映出用户对103的喜好度，101和103的相似度（即同现度）*用户3对101的评分可以得到用户3对103的喜好度权重，将用户3对各个物品的权重相加，可以反映出用户3对103的喜好度。

了解矩阵相乘的意义之后，第三个mr任务的功能就是实现两个矩阵的相乘，并将结果输出。

在这个mr任务中，这两个矩阵的相乘可以这样来计算：

将同现矩阵存入一个Map中，形如：

Map[code]<

String

,

Map

<

String

,Double>> colItermOccurrenceMap = 

new

HashMap<

String

,

Map

<

String

,Double>>();

同现矩阵中的每一行就是大Map中的一条记录，每行对应的每列都在该记录的小Map中。

在map阶段的开始的时候初始化这个Map，输入的value形如101:101
5,101:102 3，将101作为大Map的key，value为小Map，小Map的key为101/102，value为5/3。

由于map函数读取文件是并发读取的，不能保证两个输入文件的读取顺序（在同一个文件中也不能保证），所以这里使用Hadoop提供的分布式缓存机制来对同现矩阵进行共享。

关于Hadoop的分布式缓存机制请看： 
Hadoop的DistributedCache机制

初始化同现矩阵之后，读取评分矩阵的每一行，输入的value为1 101:5,102:3,103:2.5 … 
将每行的itermIds和对应的评分数提取出来，遍历itermId，根据itermId到itermOccurrenceMap中找到对应的List集合，找到每个itermId在该集合中对应的itermId2记录，将评分数*同现度，之后进行累加，以UserId:ItermID作为key，累加值作为value输出。

reduce的工作就很简单了，根据key对value进行累加输出即可。

6.项目代码

源码Github地址

7. 程序输出

7.1 用户评分矩阵

1      103:2.5,101:5,102:3

2      101:2,102:2.5,103:5,104:2

3      107:5,101:2,104:4,105:4.5

4      103:3,106:4,104:4.5,101:5

5      101:4,102:3,103:2,104:4,105:3.5,106:4

6      102:4,103:2,105:3.5,107:4

 

7.2 物品同现矩阵

101:101  5

101:102  3

101:103  4

101:104  4

101:105  2

101:106  2

101:107  1

102:101  3

102:102  4

102:103  4

102:104  2

102:105  2

102:106  1

102:107  1

103:101  4

103:102  4

103:103  5

103:104  3

103:105  2

103:106  2

103:107  1

104:101  4

104:102  2

104:103  3

104:104  4

104:105  2

104:106  2

104:107  1

105:101  2

105:102  2

105:103  2

105:104  2

105:105  3

105:106  1

105:107  2

106:101  2

106:102  1

106:103  2

106:104  2

106:105  1

106:106  2

107:101  1

107:102  1

107:103  1

107:104  1

107:105  2

107:107  2

 

7.3 最终推荐结果

1      104:33.5

1      105:21.0

1      106:18.0

1      107:10.5

2      105:23.0

2      106:20.5

2      107:11.5

3      102:28.0

3      103:34.0

3      106:16.5

4      102:40.0

4      105:29.0

4      107:12.5

5      107:20.0

6      101:31.0

6      104:25.0

6      106:11.5