創(chuàng)建數(shù)據(jù)模型 —> 用戶相似度算法 —>用戶近鄰算法 —>推薦算法。
基于用戶的協(xié)同過濾算法在Mahout庫(kù)中已經(jīng)模塊化了，通過4個(gè)模塊進(jìn)行統(tǒng)一的方法調(diào)用。首先，創(chuàng)建數(shù)據(jù)模型(DataModel)，然后定義用戶的相似度算法(UserSimilarity)，接下來(lái)定義用戶近鄰算法(UserNeighborhood )，最后調(diào)用推薦算法(Recommender)完成計(jì)算過程。而基于物品的協(xié)同過濾算法(ItemCF)過程也是類似的，去掉第三步計(jì)算用戶的近鄰算法就行了。

軟件環(huán)境：Win7 64位 + Eclipse4.4 +jdk1.6
使用Java語(yǔ)言，借用Mahout庫(kù)里的API，實(shí)現(xiàn)基于用戶的協(xié)同過濾算法，從而進(jìn)行商品推薦。
1.數(shù)據(jù)集
//testCF.csv

1,101,5.0
1,102,3.0
1,103,2.5
2,101,2.0
2,102,2.5
2,103,5.0
2,104,2.0
3,101,2.5
3,104,4.0
3,105,4.5
3,107,5.0
4,101,5.0
4,103,3.0
4,104,4.5
4,106,4.0
5,101,4.0
5,102,3.0
5,103,2.0
5,104,4.0
5,105,3.5
5,106,4.0
該testCF.csv數(shù)據(jù)集中，第一列為用戶號(hào)UserID，第二列為商品號(hào)ItemID，第三列為評(píng)分Preference Value.
2.借用Java里Mahout庫(kù)，實(shí)現(xiàn)協(xié)同過濾算法。
//UserBased.java
package com.xie;
import org.apache.mahout.cf.taste.common.TasteException;
import org.apache.mahout.cf.taste.impl.common.LongPrimitiveIterator;
import org.apache.mahout.cf.taste.impl.model.file.*;  
import org.apache.mahout.cf.taste.impl.neighborhood.*;  
import org.apache.mahout.cf.taste.impl.recommender.*;  
import org.apache.mahout.cf.taste.impl.similarity.*;  
import org.apache.mahout.cf.taste.model.*;   
import org.apache.mahout.cf.taste.recommender.*;  
import org.apache.mahout.cf.taste.similarity.*;  

import java.io.*;  
import java.util.*; 

public class UserBased {

    final static int NEIGHBORHOOD_NUM = 2;
    final static int RECOMMENDER_NUM = 3;

    public static void main(String[] args) throws IOException, TasteException {
        String file = "src/data/testCF.csv";
        DataModel model = new FileDataModel(new File(file));
        UserSimilarity user = new EuclideanDistanceSimilarity(model);
        NearestNUserNeighborhood neighbor = new NearestNUserNeighborhood(NEIGHBORHOOD_NUM, user, model);
        Recommender r = new GenericUserBasedRecommender(model, neighbor, user);
        LongPrimitiveIterator iter = model.getUserIDs();

        while (iter.hasNext()) {
            long uid = iter.nextLong();
            List<RecommendedItem> list = r.recommend(uid, RECOMMENDER_NUM);
            System.out.printf("uid:%s", uid);
            for (RecommendedItem ritem : list) {
                System.out.printf("(%s,%f)", ritem.getItemID(), ritem.getValue());
            }
            System.out.println();
        }
    }
}

基于用戶的協(xié)同過濾算法(Java實(shí)現(xiàn)或R語(yǔ)言實(shí)現(xiàn)圖(1) 協(xié)同過濾，從而進(jìn)行商品推薦
結(jié)果說(shuō)明：
對(duì)于uid=1的用戶，給他推薦計(jì)算得分最高的2個(gè)物品，104和106。
對(duì)于uid=2的用戶，給他推薦計(jì)算得分最高的1個(gè)物品，105。
對(duì)于uid=3的用戶，給他推薦計(jì)算得分最高的2個(gè)物品，103和102。
對(duì)于uid=4的用戶，給他推薦計(jì)算得分最高的1個(gè)物品，102。
對(duì)于uid=5的用戶，沒有推薦。
用Java實(shí)現(xiàn)協(xié)同過濾的工程代碼:
方法二：用R語(yǔ)言實(shí)現(xiàn)協(xié)同過濾算法
軟件環(huán)境：win7 64位 + RStudio 0.99 + R3.2.3
//mahout1.R

# part1 -------------------------------------------------------------------
##加載arules包
library(arules)

##建立模型矩陣
FileDataModel <- function(file){
    ##讀取CSV文件到內(nèi)存
    data <- read.csv(file,header = FALSE)  
    ##增加列名
    names(data) <- c("uid","iid","pref")

    ##計(jì)算用戶數(shù)
    user <- unique(data$uid)
    ##計(jì)算產(chǎn)品數(shù)
    item <- unique(sort(data$iid))
    uidx <- match(data$uid, user)
    iidx <- match(data$iid, item)
    ##定義存儲(chǔ)矩陣
    M <- matrix(0, length(user),length(item))
    i <- cbind(uidx, iidx, pref=data$pref)

    ##給矩陣賦值
    for(n in 1:nrow(i)){
        M[i[n,][1], i[n,][2]] <- i[n,][3]
    }

    dimnames(M)[[2]] <- item
    ##返回矩陣值
    M
}


# part2 -------------------------------------------------------------------
##歐式距離相似度算法
EuclideanDistanceSimilarity <- function(M){
    row <- nrow(M)
    ##相似度矩陣
    s <- matrix(0,row,row)

    for(z1 in 1:row){
        for(z2 in 1:row){
            if(z1 < z2){
               ##可計(jì)算的列
               num <- intersect(which(M[z1,]!=0),which(M[z2,]!=0))

               sum <- 0
               for(z3 in num){
                  sum <- sum+(M[z1,][z3] - M[z2,][z3])^2
               }

               s[z2,z1] <- length(num)/(1+sqrt(sum))

               ##對(duì)算法的閾值進(jìn)行限制
               if(s[z2,z1] > 1) s[z2,z1] <- 1
               if(s[z2,z1] < -1) s[z2,z1] <- -1

            }
        }
    }

    ts <- t(s)   ##補(bǔ)全三角矩陣
    w <- which(upper.tri(ts))
    s[w] <- ts[w]
    s      ##返回用戶相似度矩陣

}


# part3 -------------------------------------------------------------------
##用戶近鄰算法
NearestNUserNeigborhood <- function(S,n){
    row <- nrow(S)
    neighbor <- matrix(0,row,n)
    for(z1 in 1:row){
        for(z2 in 1:n){
            m <- which.max(S[,z1])
            neighbor[z1,][z2] <- m
            S[,z1][m]=0
        }
    }
    neighbor
}


# part4 -------------------------------------------------------------------
##推薦算法
UserBasedRecommender <- function(uid,n,M,S,N){
    row <- ncol(N)
    col <- ncol(M)
    r <- matrix(0,row,col)
    N1 <- N[uid,]
    for(z1 in 1:length(N1)){
        num <- intersect(which(M[uid,]==0),which(M[N1[z1],]!=0))  
        for(z2 in num){
            r[z1,z2] = M[N1[z1],z2]*S[uid,N1[z1]]
        }
    }

    ##輸出推薦矩陣
    sum <- colSums(r)
    s2 <- matrix(0,2,col)
    for(z1 in 1:length(N1)){
        num <- intersect(which(colSums(r)!=0),which(M[N1[z1],]!=0))
        for(z2 in num){
            s2[1,][z2] <- s2[1,][z2]+S[uid,N1[z1]]
            s2[2,][z2] <- s2[2,][z2]+1
        }
    }

    s2[,which(s2[2,]==1)]=10000
    s2 <- s2[-2,]

    r2 <- matrix(0,n,2)
    rr <- sum/s2
    item <- dimnames(M)[[2]]
    for(z1 in 1:n){
        w <- which.max(rr)
        if(rr[w]>0.5){
            r2[z1,1] <- item[which.max(rr)]
            r2[z1,2] <- as.double(rr[w])
            rr[w]=0
        }
    }
    r2
}


# part5 -------------------------------------------------------------------

##調(diào)用算法
setwd("G:\myProject\RDoc\Unit2\rChap2")
myFile <- "testCF.csv"
NeighborHodd_num <- 2 ##取兩個(gè)最大近鄰
Recommender_num <- 3  ##保留最多3個(gè)推薦結(jié)果

myM <- FileDataModel(myFile)
myS <- EuclideanDistanceSimilarity(myM)
myN <- NearestNUserNeigborhood(myS,NeighborHodd_num)

##對(duì)用戶user= 1的推薦結(jié)果
R1 <- UserBasedRecommender(1, Recommender_num,myM,myS,myN); R1

##對(duì)用戶user= 2的推薦結(jié)果
R2 <- UserBasedRecommender(2, Recommender_num,myM,myS,myN); R2

##對(duì)用戶user= 3的推薦結(jié)果
R3 <- UserBasedRecommender(3, Recommender_num,myM,myS,myN); R3

##對(duì)用戶user= 4的推薦結(jié)果
R4 <- UserBasedRecommender(4, Recommender_num,myM,myS,myN); R4

##對(duì)用戶user= 5的推薦結(jié)果
R5 <- UserBasedRecommender(5, Recommender_num,myM,myS,myN); R5
效果如下：

基于用戶的協(xié)同過濾算法(Java實(shí)現(xiàn)或R語(yǔ)言實(shí)現(xiàn)圖(2)用R語(yǔ)言實(shí)現(xiàn)協(xié)同過濾算法