Taste 是 Apache Mahout 提供的一个协同过滤算法的高效实现,它是一个基于Java实现的可扩展的高效的推荐引擎。
该推荐引擎是用<userid,itemid,preference>这样简单的数据格式表达用户对物品的偏好。
以此为输入数据,计算后就可以得到为每个user推荐的items列表。
他提供了方便的单机版的编程接口,也提供了基于hadoop的分布式的实现。
单机版的编程接口主要适用于写demo和做算法的评估,若处理大规模数据,还是需分布式的实现。
以下是对org.apache.mahout.cf.taste.hadoop.item.RecommenderJob的各MapReduce步骤的一个解读。
Taste 实现一个分布式的协同过滤推荐共经历了如下12个MapReduce步骤。
以下分析了各步骤的Mapper和Reducer都做了哪些工作,并有什么格式的数据输出。
代码分析:
1、计算item的itemid_index和最小itemid值
1.1、ItemIDIndexMapper.class, VarIntWritable.class, VarLongWritable.class,
用原始输入,将userid,itemid,pref数据转成itemid_index,itemid
1.2、ItemIDIndexReducer.class, VarIntWritable.class, VarLongWritable.class,
在itemid_index,Iterator<itemid>中找最小的itemid,输出itemid_index,minimum_itemid
此处只是保存一个int型的itemid_index索引和对应的long型的itemid的映射
2、计算各user的item偏好向量,即Vector<item,pref>
2.1、ToItemPrefsMapper.class, VarLongWritable.class, booleanData ? VarLongWritable.class : EntityPrefWritable.class,
用原始输入,读入偏好数据,得到userid,<itemid,pref>
2.2、ToUserVectorReducer.class, VarLongWritable.class, VectorWritable.class,
将userid,Iterator<itemid,pref>中的itemid变成itemid_index,得到userid,Vector<itemid_index,pref>,后者用RandomAccessSparseVector来存。
3、统计数据中有多少个user
3.1、CountUsersMapper.class,CountUsersKeyWritable.class,VarLongWritable.class,
用步骤2的输出,统计独立userid数目,先转换数据为userid,userid
3.2、CountUsersReducer.class,VarIntWritable.class,NullWritable.class,
通过CountUsersPartitioner将所有数据发到一个区,一个Reducer来处理
由于userid都已排序,所以可以用极简单的方式来统计出独立userid数
输出只有一个值,即用户数
4、计算item的user偏好向量,即Vector<userid,pref>,也即拿步骤2的结果做矩阵的修剪和转置
4.1、MaybePruneRowsMapper.class,IntWritable.class,DistributedRowMatrix.MatrixEntryWritable.class,
用步骤2的输出,按指定的maxCooccurrences参数值来修剪Vector的数目,目的是控制计算的规模,减少计算量
然后转为以userid_index为列号、itemid_index为行号、pref为值的矩阵,用MatrixEntryWritable表示矩阵。
输出为itemid_index,Matrix<userid_index,itemid_index,pref>
4.2、ToItemVectorsReducer.class,IntWritable.class,VectorWritable.class,
输出为itemid_index,Vector<userid_index,pref>,相当于对步骤2的结果进行了矩阵的转置,
有了偏好矩阵数据,接下来会调用RowSimilarityJob来计算行的相似度
此处的行是item,所以默认是item-base的CF。
但其实可以通过传入是否转置的参数来对步骤1进行调整,将userid和itemid转换,就可以实现user-base的CF。
此处也可以通过similarityClassname参数来指定用哪种算法来计算相似度。
RowSimilarityJob将通过接下来的3个步骤来实现:
5、用相似度算法给向量赋权
5.1、RowWeightMapper.class,VarIntWritable.class,WeightedOccurrence.class,
用相应的相似度算法来计算步骤4的输出,计算每个itemid_index所对应的Vector<userid_index,pref>的weight。
输出为userid_index,WeightedOccurrence<itemid_index,pref,weight>,WeightedOccurrence是一个简单的数据封装类。
5.2、WeightedOccurrencesPerColumnReducer.class,VarIntWritable.class,WeightedOccurrenceArray.class,
将Iterator<WeightedOccurrence>简单变为WeightedOccurrenceArray,后者只是简单继承了ArrayWritable。
最后输出结果为userid_index,WeightedOccurrenceArray,数组的数据项是WeightedOccurrence<itemid_index,pref,weight>
6、用相似度算法计算相似度,得到相似度矩阵
6.1、CooccurrencesMapper.class,WeightedRowPair.class,Cooccurrence.class,
取出步骤5的结果,将WeightedOccurrenceArray的数据双重循环,拼装如下的KV数据结构
WeightedRowPair<itemid_indexA,itemid_indexB,weightA,weightB>,Cooccurrence<userid_index,prefA,prefB>
6.2、SimilarityReducer.class,SimilarityMatrixEntryKey.class,DistributedRowMatrix.MatrixEntryWritable.class,
此步骤的Map输出,也即Reduce的输入是WeightedRowPair<itemid_indexA,itemid_indexB,weightA,weightB>, Iterator<Cooccurrence<userid_index,prefA,prefB>>
也即itemA和itemB的weight,以及不同user对itemA和itemB的pref。
相应的Similarity实例就可以利用以上数据计算itemA与itemB的相似度评分similarityValue
输出结果为SimilarityMatrixEntryKey<itemid_indexA,similarityValue>,Matrix<itemid_indexA,itemid_indexB,similarityValue>
也就是不同item和itemA的俩俩相似度,得到一个相似度矩阵
7、将相似度矩阵转为向量存储
7.1、Mapper.class,SimilarityMatrixEntryKey.class,DistributedRowMatrix.MatrixEntryWritable.class,
将步骤6的结果简单读入,item相似度矩阵
7.2、EntriesToVectorsReducer.class,IntWritable.class,VectorWritable.class,
输出为itemid_indexA,Vector<itemid_indexX,similarityValue>,Vector用SequentialAccessSparseVector存储。
也就是输出为不同的其他item与itemA之间的相似度值
8、PartialMultiply的预处理1,填充vector部分的数据
8.1、SimilarityMatrixRowWrapperMapper.class, VarIntWritable.class, VectorOrPrefWritable.class,
用步骤7的相似度数据,输出itemid_index,VectorOrPrefWritable(vector,null,null)
8.2、Reducer.class, VarIntWritable.class, VectorOrPrefWritable.class,
默认Reducer,直接输出Mapper的输出
9、PartialMultiply的预处理2,填充userid和pref部分的数据
9.1、UserVectorSplitterMapper.class, VarIntWritable.class, VectorOrPrefWritable.class,
如果提供了一个userid列表文件,Mapper初始化时会先读入该文件到FastIDSet<userid>中
如果userid不在这个Set中,则会直接return,也就是只会为该列表中的user做推荐
用步骤2的用户对各item的偏好数据,输出itemid_index,VectorOrPrefWritable(null,userid,pref)
9.2、Reducer.class, VarIntWritable.class, VectorOrPrefWritable.class,
默认Reducer,直接输出Mapper的输出
10、拼装两个PartialMultiply预处理的数据
10.1、Mapper.class, VarIntWritable.class, VectorOrPrefWritable.class,
用FileInputFormat.setInputPaths指定多个路径,将步骤8和9的输出同时作为输入
10.2、ToVectorAndPrefReducer.class, VarIntWritable.class, VectorAndPrefsWritable.class,
将VectorOrPrefWritable(vector,null,null)和VectorOrPrefWritable(null,userid,pref)
变为VectorAndPrefsWritable(vector,List<userid>,List<pref>)
最后的输出是itemid_index,VectorAndPrefsWritable(vector,List<userid>,List<pref>)
11、如果设置了item过滤文件则读取,作为黑名单
11.1、ItemFilterMapper.class, VarLongWritable.class, VarLongWritable.class,
简单读入item过滤文件,输出为itemid,userid,这相当于“黑”名单,用于后面推荐结果的过滤。
11.2、ItemFilterAsVectorAndPrefsReducer.class, VarIntWritable.class, VectorAndPrefsWritable.class,
输出为itemid_index,VectorAndPrefsWritable(vector,List<userid>,List<pref>)
其中vector的值为vector(itemid_index,Double.NaN),pref的值都用1.0f来填充。
注意,vector的第二项数据,也即similarityValue被设置为Double.NaN,后面将会用这个来判断这是否是黑名单。
12、用相似度矩阵的PartialMultiply做推荐计算
12.1、PartialMultiplyMapper.class, VarLongWritable.class, PrefAndSimilarityColumnWritable.class,
如果步骤11存在,则用FileInputFormat.setInputPaths指定多个路径,将步骤10和11的输出同时作为输入
也即输入为itemid_index,VectorAndPrefsWritable(vector,List<userid>,List<pref>),其中vector的值为Vector<itemid_index,similarityValue>
输出为userid,PrefAndSimilarityColumnWritable(pref,vector<itemid_index,similarityValue>)
12.2、AggregateAndRecommendReducer.class, VarLongWritable.class, RecommendedItemsWritable.class,
初始化时,会读入步骤1的结果,是一个HashMap<itemid_index,itemid>,也即index和itemid的映射
若设置了item白名单文件,则初始化时也会读入文件到FastIDSet<itemid>,推荐结果必须在这里边。和步骤11的黑名单相反。
Reducer在处理时会区分是否是booleanData而用不同的处理逻辑,此处我们主要讨论非booleanData,也即有实际pref数据的情况而不是默认用1.0f来填充的pref。
Reducer中进行PartialMultiply,按乘积得到的推荐度的大小取出最大的几个item。
处理的过程中需要将itemid_index通过HashMap转换回itemid,并且用“黑”“白”名单进行过滤。
白名单很容易理解,用集合是否为空和集合的contains();
黑名单是判断Float.isNaN(similarityValue),因为此前在步骤11的输出时黑名单的similarityValue被设置为了Double.NaN。
对于非booleanData,是用pref和相似度矩阵的PartialMultiply得到推荐度的值来进行排序。
而booleanData的pref值都是1.0f,所以去计算矩阵相乘的过程没有意义,直接累加相似度的值即可。
用这个数据排序就可得到推荐结果。
输出为userid,RecommendedItemsWritable,后者实际是List<RecommendedItem<itemid,pref>>,
这里的pref是相似度矩阵的PartialMultiply或是相似度累加计算出来的值而非实际值。
后注:
以上提到的FastIDSet,SequentialAccessSparseVector,RandomAccessSparseVector等等数据结构,
是Mahout提供的一些大数据量存储和处理的一些高效实现,
针对数据的特点而做的有针对性的优化,同时解决性能和空间的问题。
在Mahout in Action的讨论CF和Cluster等的“数据的表达”章节中有专门的阐述,此处不再详细解释。
相关推荐
首先,从Apache官方网站或SVN代码库下载Mahout的0.5版本源码包,然后使用Maven命令编译并安装相关模块到本地仓库中。需要注意的是,在编译过程中可能会遇到内存溢出的问题,此时可以适当增加JVM堆内存大小。 4. ...
Taste 提供了一个高效的推荐引擎,支持基于 Java 的开发,具备良好的可扩展性,并且能够利用 Hadoop 的分布式架构,以 MapReduce 方式提升推荐算法的处理能力。Taste 包含了多种推荐算法的实现,如基于用户的、基于...
《基于Mahout的协同过滤算法实现详解》 在大数据领域,推荐系统已成为不可或缺的一部分,它能够根据用户的历史行为和偏好,为用户提供个性化的产品或服务推荐。Mahout作为Apache的一个开源项目,提供了丰富的机器...
在这个基于协同过滤算法的电影推荐系统中,Apache Mahout 的 Taste 模块扮演了关键角色。 Apache Mahout 是一个开源机器学习库,它提供了多种推荐算法的实现,包括协同过滤。Taste 是 Mahout 中的一个推荐引擎,它...
Mahout 0.5包含了一套完整的推荐引擎,如基于用户的协同过滤(User-Based Collaborative Filtering)和基于物品的协同过滤(Item-Based Collaborative Filtering)。这些算法可以用于电影推荐、商品推荐等场景,通过...
Taste 是一个高度可扩展的推荐引擎,采用 Java 编写,支持 MapReduce 模式,可以充分利用 Hadoop 分布式计算的优势,提高推荐算法的效率。在 Mahout 0.5 版本中,Taste 提供了多种推荐算法的实现,包括基础的用户和...
Apache Mahout 是一个开源机器学习库,其中包含了一个名为 Taste 的推荐引擎,它专门实现了协同过滤算法。Taste 使用Java编写,具有高度可扩展性,并且能够利用Hadoop的MapReduce框架进行分布式计算,以提高推荐算法...
在电影推荐系统中,Apache Mahout 的 Taste 是一个强大的推荐引擎,它基于Java实现,具有高度的可扩展性。Taste 包含了多种推荐算法,如基于用户的、基于物品的,以及SlopeOne等高效算法。此外,它还提供了扩展接口...
Taste 提供了协同过滤算法的实现,包括基于用户和基于内容的推荐,以及如SlopeOne等更高效的算法。它支持Java编写,并且可以利用Hadoop的分布式计算框架MapReduce,以提高大规模推荐系统的性能和可扩展性。 【Data...
Apache Mahout 的 Taste 推荐引擎是实现这一算法的有效工具,它提供了一个Java实现的高效推荐引擎框架,具有高度可扩展性和性能优化,支持Hadoop的分布式计算,以处理大规模数据。 Taste的核心组件包括: 1. Data...
Taste 是一个基于 Java 的推荐引擎,它支持 MapReduce 编程模式,可以在 Hadoop 分布式架构上运行,从而提高推荐算法的处理速度和效率。 1. Taste 介绍: Taste 是 Apache Mahout 的一部分,它提供了一个高效且可...
在本案例中,电影推荐系统采用了Apache Mahout库中的Taste推荐引擎,它提供了协同过滤算法的实现,包括用户基(User-Based)和物品基(Item-Based)的推荐策略。 Taste是Apache Mahout的一个子项目,是一个高效的...
3. **协同过滤(Collaborative Filtering)**:这是推荐系统的核心技术,Taste子项目是Mahout专门用于实现协同过滤的部分。它能够根据用户的历史行为,预测他们可能对哪些物品感兴趣,从而实现个性化推荐。 Hadoop...
Taste是一个高度可扩展的Java实现推荐引擎,它支持MapReduce编程模型,能够充分利用Hadoop的分布式架构,提升推荐算法的性能。在Taste中,不仅包括基本的基于用户和基于内容的推荐算法,如SlopeOne,还有正在研究的...
【推荐系统引擎】推荐系统是Mahout的一个重要应用,通过分析用户的历史行为,预测用户的兴趣和偏好,从而推荐他们可能感兴趣的产品或服务。例如,Amazon使用推荐系统来提升销售额,Netflix通过推荐电影和电视节目来...
Apache Mahout是一个开源的机器学习库,它最初是Apache Lucene的子项目,专注于提供算法来实现聚类、分类以及推荐引擎等功能。Lucene项目专注于文本挖掘和信息检索,而Mahout则承担了与机器学习技术相关的工作。由于...
Apache Mahout 是一个开源的机器学习库,主要关注于协同过滤、聚类和分类算法的实现。这个库是用Java编写的,并且与Apache Hadoop框架紧密集成,以处理大规模数据集。Mahout的目标是提供可扩展的机器学习工具,适用...
Apache Mahout是一个开源项目,专注于机器学习算法的实现,尤其在协同过滤、聚类和分类方面。这本书的翻译涵盖了六章及以上的内容,语言通俗易懂,适合有一定编程基础和对机器学习感兴趣的读者。 Mahout并非一本...