初步了解Mahout，淺談下推薦系統(tǒng)引擎

Mahout是Apache開源的機器學(xué)習(xí)庫。它實現(xiàn)的算法都被歸入機器學(xué)習(xí)或者集體智慧的范疇，但是在這里Mahout主要注重協(xié)同過濾/推薦引擎、聚類和分類。

Mahout是可伸縮的。Mahout致力于實現(xiàn)海量數(shù)據(jù)，單機無法處理情況下的機器學(xué)習(xí)工具。在目前階段，這種可伸縮性由java實現(xiàn)，有些部分基于Apache Hadoop這個分布式計算框架實現(xiàn)。

Mahout是java庫。它不支持用戶接口，預(yù)裝好的服務(wù)器。以及安裝等功能。它是一個利于開發(fā)者使用的工具框架。

自2010.4月起，Mahout成為Apache的頂級項目。

Mahout的大量工作不只是傳統(tǒng)的實現(xiàn)這些算法，也實現(xiàn)將這些算法，讓它們工作在hadoop之上。Hadoop的吉祥物是一頭大象，這也解釋了Mahout的工程名字。

 Mahout孵化了相當(dāng)多的技術(shù)和算法，很多都是在開發(fā)和實驗階段。在工程的早期階段，有3個核心主題：協(xié)同過濾/推薦引擎、聚類和分類。這并不是Mahout中所有內(nèi)容，但卻是最顯著、成熟的主題。

推薦系統(tǒng)引擎

推薦引擎是目前我們使用的機器學(xué)習(xí)技術(shù)中最容易識別的。你可能已經(jīng)見過相關(guān)的服務(wù)或網(wǎng)頁，基于歷史行為推薦書、電影、文檔。他們嘗試推論出用戶偏好，并標(biāo)記出用戶不知曉的、感興趣的item:

Amazon.com可能是最出名的使用推薦系統(tǒng)商務(wù)網(wǎng)站?；诮灰缀途W(wǎng)頁活性，Amazon推薦給用戶可能感興趣的書籍和其他item。

約會網(wǎng)站像Líbímseti將一部分用戶推薦給其他用戶。

社交網(wǎng)絡(luò)網(wǎng)站像Facebook用推薦技術(shù)的變形來為用戶識別最可能成為一個尚未建立聯(lián)系的朋友。

對于Amazon和示例其他網(wǎng)站，通過這種聰明的交叉銷售，推薦系統(tǒng)確實有具體的經(jīng)濟價值，同一家公司的報告指出推薦產(chǎn)品給用戶能夠帶來8-12%的銷售增長。

聚類

聚類技術(shù)嘗試去將大量的擁有相同相似度的事物聚集到不同的類中。聚類是在海量或者難于理解的數(shù)據(jù)集里發(fā)現(xiàn)層次和順序，展現(xiàn)興趣模式，或使得數(shù)據(jù)集容易被理解。

Google News據(jù)為了根據(jù)具備邏輯性的故事聚集展示新聞，而不是所有文章的行列表，使用新聞文章的Topic聚集新聞。圖1.3做了說明（見附件）。

搜索引擎像Clusty基于相同的原因聚集搜索結(jié)果。

使用聚類技術(shù)，基于消費者屬性，收入、位置、購買習(xí)慣，可將不用用戶分到不用的類中。

聚類有助于在海量的、很難弄懂的事物集合中，發(fā)現(xiàn)結(jié)構(gòu)，甚至層次。企業(yè)可以使用聚類去發(fā)現(xiàn)用戶中的隱藏組，更有效的組織海量文檔集合，或者根據(jù)網(wǎng)站日志發(fā)現(xiàn)用戶的經(jīng)常使用模式。

分類

分類技術(shù)用于決定一個事物是不是屬于一種類型、類目，或者該事物是不是含有某些屬性。同樣地，分類無處不在，盡管更多的時候隱于幕后。

這些系統(tǒng)通過評估item的很多實例來學(xué)習(xí)，以推導(dǎo)出分類規(guī)則。這個平常的想法可以找到很多應(yīng)用：

Yahoo! Mail決定接收的信息是不是垃圾郵件，基于先前郵件和用戶的垃圾郵件報告，以及郵件的特性。一些信息被分類為垃圾郵件。
Picasa (http://picasa.google.com/)和其他的照片管理應(yīng)用可以判斷一張照片中是否含有人臉。

光學(xué)字符識別軟件通過將小區(qū)域作為獨立字符來分類，將掃描文本的若干小區(qū)域歸類到獨立的字符上。

在iTunes中Apple’s Genius feature使用分類將歌曲劃分到不同的潛在播放列表。

分類有助于判斷一個新進入事物是否匹配先前發(fā)現(xiàn)的模式， 也常用于分類行為或者模式。分類也可用來檢測可疑的網(wǎng)絡(luò)活動或欺詐。也可用于根據(jù)用戶發(fā)信息判定表示失望或者滿意。

擴展性

當(dāng)有海量、高質(zhì)量的數(shù)據(jù)輸入時，這些技術(shù)都能夠達(dá)到最佳效果。在一些情況下，這些技術(shù)不僅要將海量數(shù)據(jù)作為輸入，而且需要很快計算出結(jié)果。很快，這些因素使得可擴展性成為一個很大的問題。

依據(jù)一些粗略估計，Picasa在3年前可能已經(jīng)擁有5億張照片。這意味著每天需要分析數(shù)百萬圖片。分析一張圖片并不是一個大問題，盡管需要重復(fù)數(shù)百萬次。但是，學(xué)習(xí)階段需要億萬圖片都提供相關(guān)信息 -- 上了規(guī)模的計算，使用單機是不行的。

依據(jù)一個類似的分析，Google News大約每天有350萬新文章。盡管數(shù)量并不是很大，考慮到這些文章必須和目前其他文章同時聚類，為了及時響應(yīng)計算時間需要在幾分鐘內(nèi)。

Netflix為Netflix大獎發(fā)布的子集中包含1億的打分。這只是適合競賽的數(shù)據(jù)，據(jù)推測，Netflix實際上擁有的和必須用于創(chuàng)建推薦系統(tǒng)的整個數(shù)據(jù)遠(yuǎn)遠(yuǎn)大于這個這個量級。

這些技術(shù)非常有必要應(yīng)用于輸入數(shù)據(jù)量很大的情形--因為很大，所有不適用于單機處理，甚至高配置的機器也不可以。所以，任何人實現(xiàn)這些技術(shù)都不能回 避可擴展性問題。這就是為什么Mahout將可擴展性作為最高優(yōu)先級，關(guān)注可擴展性問題，別人所沒有涉獵的一種方式，用于有效處理海量數(shù)據(jù)。

復(fù)雜的機器學(xué)習(xí)技術(shù)，上規(guī)模的應(yīng)用，直到目前為止，只是一些大的、先進的技術(shù)公司在考慮。但是，今天計算能力已經(jīng)比之前廉價，借助像Hadoop這 樣的開源框架更方便。Mahout嘗試通過使用hadoop提供優(yōu)質(zhì)、開源實現(xiàn)，能夠在這個規(guī)模上解決問題，解決這類困惑，并且將其送到所有技術(shù)組織的手中。

MapReduce and Hadoop

Mahout的一些部分使用了Apache hadoop工程，hadoop是一個開源的、基于java的MapReduce(http://labs.google.com/papers/mapreduce.html )實現(xiàn)。MapReduce是一種分布式計算框架，在Google內(nèi)部使用。它是一種編程模式，開始聽起來感覺很奇怪，或者太簡單了以至于很強大。 MapReduce編程模式適用于輸入是key-value鍵值對集合的問題?！癿ap”函數(shù)將這些鍵值對轉(zhuǎn)換為中間鍵值對?！癛educe”函數(shù)通過某 種方式將同一個中間鍵的值合并到一起并產(chǎn)出結(jié)果。實際上，很多問題可以設(shè)計成MapReduce問題，或者他們的一個系列。并且這種模式非常易于并行化實 現(xiàn)：所有的處理過程都是獨立的，所以可以劃分到不同機器上去。

Hadoop實現(xiàn)了MapReduce模式，這是一個不小的壯舉，甚至讓MapReduce像聽起來那么簡單。它管理輸入數(shù)據(jù)、中間鍵值對、輸 出數(shù)據(jù)的存儲。這些數(shù)據(jù)可能是海量的，需要在多臺計算機上運行，而不只是存儲在某一臺機器的本地。它管理不同機器之間的劃分、數(shù)據(jù)傳輸。它負(fù)責(zé)檢測、恢復(fù) 單個機器失敗的情況。理解了有很多工作在幕后進行能夠幫助你準(zhǔn)備使用Hadoop的相對復(fù)雜性。不只是將它作為類庫添加到你的工程中，它包含很多模塊，每 一個模塊都有若干類庫和獨立的服務(wù)器進程，可能運行在幾臺機器上?；贖adoop的操作處理不簡單，但投入在可擴展的、分布式實現(xiàn)可以讓你在之后有很大 的收獲：因為你的數(shù)據(jù)可能成倍的增長，這種可擴展的性質(zhì)對你的應(yīng)用來說是一種面向未來的方式。

你可以探索操作完整聚類的重點和細(xì)節(jié)，調(diào)整整個框架。因為這個需要大量 計算能力的復(fù)雜框架變的越來越流行，所以一點都不奇怪，云計算已經(jīng)開始提供hadoop相關(guān)的支持。

本文版權(quán)歸黑馬程序員JavaEE學(xué)院所有，歡迎轉(zhuǎn)載，轉(zhuǎn)載請注明作者出處。謝謝！

作者：黑馬程序員JavaEE培訓(xùn)學(xué)院

首發(fā)：http://java.itheima.com/