【译】mahout in action 2.5 评估GroupLens数据集合

用这些在进行中的工具，我们将可能不仅讨论速度，也讨论我们创造和修改的推荐引擎的质量。虽然大量真实数据的例子仍然要过几章才能讲到，我们将花一些时间在一个小型数据集合上去快速评估性能。

2.5.1 提取推荐器输入数据

GroupLens (http://grouplens.org/)是一个研究项目，它提供几个不同型号的数据集合，每一个都来自于真实的用户对电影的评分。这是几个有效的大型的真实世界的数据库中之一，在这本书中我们将会探究更多这种数据集合。从grouplens.org查找并下载“100K data set”，当前在 http://www.grouplens.org/node/73上可以得到。反归档（你下载的文件），在它内部，这个文件被称为ua.base。这是一个具有user IDs，item IDs,评级（首选项值）和一些额为信息的用tab键分隔的文件。

这个文件将会起作用吗？Tabs不是用逗号分开它的域，而且它也在终点包含一个额外的信息域。是的，这个FileDataModel的文件会起作用的。返回到listing 2.3中的以前的代码，在listing 2.3中我们建立了一个RecommenderEvaluator，努力进入ua.base的位置，用它来代替我们构造的这个小的数据文件。再一次运行它。这时，评估应该要花几分钟时间，因为它现在是基于100000的首选项值，而不是少数的首选项值。

最后，你应该得到0.9左右的数字。那并不算坏，虽然这个数字由于某种原因远离1到5这个规模上的一个整点，这个整点也不算好。难道我们尝试的这个独特的Recommender对这类数据来说并不是最好的？

让我们在这个数据库上test-drive一个“slope-one” recommender，在即将到来的这节里，我们将会在recommender algorithms自身上讨论一个简单的算法。这像替换RecommenderBuilder一样容易。这个RecommenderBuilder用org.apache.mahout.cf.taste.impl.recommender.slopeone.SlopeOneRecommeder，像这样：

Listing 2.6 改变评估项目去运行一个SlopeOneRecommender

RecommenderBuilder recommenderBuilder = new RecommenderBuilder() { 
@Override 
public Recommender buildRecommender(DataModel model) throws TasteException { 
return new SlopeOneRecommender(model); 
} 
};