Taste 的安装与简单的 Demo 实现

安装 Taste 的软件需求：

安装 Taste 并运行 Demo：

http://localhost:8080/[your_app]/RecommenderService.jws

WSDL 文件：http://localhost:8080/[your_app]/RecommenderService.jws?wsdl

也可以通过简单的 HTTP 请求调用这个 Web 服务：

http://localhost:8080/[your_app]/RecommenderService.jws?method=recommend&userID=1&howMany=10

使用 Taste 构建推荐引擎实例 – 电影推荐引擎

根据上面的步骤，我们可以得到一个简单的推荐引擎 demo 环境，下面介绍如何使用 Taste 方便地构建自定义的推荐引擎。

抽取 Taste 工具包

直接使用 Mahout 的项目环境进行编码，需要使用 Ant 或者 Maven 进行编译，整个过程比较复杂，这里我们将构建推荐引擎所需要的工具包从 Mahout 工程中抽取出来，从而方便的构建自定义的推荐引擎。

在 Eclipse 中创建 Web 应用的工程 MovieSite，将 demo 时生成的推荐引擎 Web 应用的 war 包解压缩，将 lib 下的 jar 文件拷贝到 MovieSite 的 lib 目录下。这样我们就可以方便的编写自己的推荐引擎。

数据建模

这里我们想要编写一个电影推荐引擎，第一步需要对数据进行建模，分析应用中涉及的主要实体以及实体间的关系，从而设计数据库存储，程序中的类，以及推荐引擎的 DataModel。

数据模型中存在以下实体：

下面我们就基于这个数据模型设计数据库的存储以及推荐引擎的 DataModel。

1 ．创建 MySQL 数据库存储电影和用户的信息，用户的喜好信息以及电影的相似度。

 CREATE DATAbase movie; USE movie; CREATE TABLE movies ( // 保存电影相关的信息。 id INTEGER NOT NULL AUTO_INCREMENT name varchar(100) NOT NULL published_year varchar(4) default NULL type varchar(100) default NULL -- ...more movie information... PRIMARY KEY (id) ); CREATE TABLE users ( // 保存用户信息 id INTEGER NOT NULL AUTO_INCREMENT name varchar(50) NOT NULL email varchar(100) default NULL -- ...more user information... PRIMARY KEY (id) ); CREATE TABLE movie_preferences ( // 保存用户对电影的评分，即喜好程度 userID INTEGER NOT NULL movieID INTEGER NOT NULL preference INTEGER NOT NULL DEFAULT 0 timestamp INTEGER not null default 0 FOREIGN KEY (userID) REFERENCES users(id) ON DELETE CASCADE FOREIGN KEY (movieID) REFERENCES movies(id) ON DELETE CASCADE ); CREATE TABLE movie_similarity ( // 保存电影和电影的相似程度 movieID1 INTEGER NOT NULL movieID2 INTEGER NOT NULL similarity DOUBLE NOT NULL DEFAULT 0 FOREIGN KEY (movieID1) REFERENCES movies(id) ON DELETE CASCADE FOREIGN KEY (movieID2) REFERENCES movies(id) ON DELETE CASCADE ); CREATE INDEX movie_preferences_index1 ON movie_preferences ( userID  movieID ); CREATE INDEX movie_preferences_index2 ON movie_preferences ( userID ); CREATE INDEX movie_preferences_index3 ON movie_preferences ( movieID ); 

在实际应用中，我们需要将应用中的实例数据写入到数据库中。作为例子，这里将从 GroupLen 下载的数据源写入数据库。

由于上面采用数据库存储用户的喜好信息，这里需要基于数据库的推荐引擎实现。这里扩展 MySQLJDBCDataModel 实现电影推荐引擎的 DataModel 实例。

 public class MovieDataModel extends MySQLJDBCDataModel { //保存用户对电影的评分的数据库表名 public final static String PERFERENCETABLE = "movie_preferences"; public final static String USERID_COLUMN = "userID"; //表中用户标识的列名 public final static String ITEMID_COLUMN = "movieID"; //表中电影标识的列名 public final static String PERFERENCE_COLUMN = "preference"; //表中评分的列名 public MovieDataModel(String dataSourceName) throws TasteException { super(lookupDataSource(dataSourceName) PERFERENCETABLE USERID_COLUMN ITEMID_COLUMN PERFERENCE_COLUMN); } public MovieDataModel() { //DBUtil.getDataSource() 将返回应用的数据源 //此应用是J2EE应用，所以这里会采用JDNI的方式创建数据库链接。 super(DBUtil.getDataSource() PERFERENCETABLE USERID_COLUMN ITEMID_COLUMN PERFERENCE_COLUMN); } } 

推荐引擎实现

前 面介绍了数据建模和 DataModel 的实现，下面来详细介绍推荐引擎的实现。如前面介绍的，Taste 既实现了最基本的基于用户的和基于内容的推荐算法，同时也提供了扩展接口，使用户可以方便的定义和实现自己的推荐算法。下面详细介绍如何扩展 Taste 的推荐引擎接口，实现基于用户相似度的推荐引擎，基于内容相似度的推荐引擎，以及 Slope One 的推荐引擎。Slope One 是一种非常快速简单的基于项目的推荐方法，需要使用用户的评分信息。

 public class UserbasedRecommender implements Recommender { private final Recommender recommender; public UserbasedRecommender() throws IOException TasteException { this(new MovieDataModel()); } public UserbasedRecommender(DataModel model) throws TasteException { UserSimilarity userSimilarity = new PearsonCorrelationSimilarity(model); userSimilarity.setPreferenceInferrer(new AveragingPreferenceInferrer(model)); UserNeighborhood neighborhood = new NearestNUserNeighborhood(3 userSimilarity model); recommender = new CachingRecommender( new GenericUserbasedRecommender(model neighborhood userSimilarity)); } //对外提供的推荐的接口，参数为用户标识和推荐项的个数 public List recommend(long userID int howMany) throws TasteException { return recommender.recommend(userID howMany); } public List recommend(long userID int howMany Rescorer rescorer) throws TasteException { return recommender.recommend(userID howMany rescorer); } //以下方法都是实现Recommender的接口 public float estimatePreference(long userID long itemID) throws TasteException { return recommender.estimatePreference(userID itemID); } public void setPreference(long userID long itemID float value) throws TasteException { recommender.setPreference(userID itemID value); } public void removePreference(long userID long itemID) throws TasteException { recommender.removePreference(userID itemID); } public DataModel getDataModel() { return recommender.getDataModel(); } public void refresh(Collection alreadyRefreshed) { recommender.refresh(alreadyRefreshed); } public String toString() { return "UserbasedRecommender[recommender:" + recommender + ']'; } } 

从上面的代码示例清单 3 可以看出，实现一个推荐引擎需要实现 Recommender 接口，它一般是对于某种 Taste 提供的推荐引擎的扩展，这是对 GenericUserbasedRecommender 进行的扩展，其中最重要的方法就是实例化推荐引擎的构造方法，一般其中涉及以下步骤：

 public class ItembasedRecommender implements Recommender { private final Recommender recommender; public ItembasedRecommender() throws IOException TasteException { this(new MovieDataModel()); } public ItembasedRecommender(DataModel dataModel) throws TasteException { Collection correlations = MovieSimilarityTable.getAllMovieSimilarities(); ItemSimilarity itemSimilarity = new GenericItemSimilarity(correlations); recommender = new CachingRecommender(new EmbededItembasedRecommender( new GenericItembasedRecommender(dataModel itemSimilarity))); } public List recommend(long userID int howMany) throws TasteException { return recommender.recommend(userID howMany); } ......... //EmbededItembasedRecommender类的定义 private static final class EmbededItembasedRecommender implements Recommender { //包含一个GenericItembasedRecommender实例； private final GenericItembasedRecommender recommender; private EmbededItembasedRecommender(GenericItembasedRecommender recommender) { this.recommender = recommender; } public List recommend(long userID int howMany Rescorer rescorer) throws TasteException { FastIDSet itemIDs = recommender.getDataModel().getItemIDsFromUser(userID); return recommender.mostSimilarItems(itemIDs.toArray() howMany null); } ........ } 

 public final class MovieRecommender implements Recommender { private final Recommender recommender; public MovieRecommender() throws IOException TasteException { this(new MovieDataModel()); } public MovieRecommender(DataModel dataModel) throws TasteException { //创建一个SlopeOneRecommender的实例 recommender = new CachingRecommender(new SlopeOneRecommender(dataModel)); } //对外提供的推荐的接口，参数为用户标识和推荐项的个数 public List recommend(long userID int howMany) throws TasteException { return recommender.recommend(userID howMany); } ........ } 

 public class MovieRecommenderServlet extends HttpServlet { private static final int NUM_TOP_PREFERENCES = 20; private static final int DEFAULT_HOW_MANY = 20; private Recommender recommender; @Override public void init(ServletConfig config) throws ServletException { super.init(config); //从web.xml中读取需要创建的推荐引擎类名 /* *  * movie-recommender * Movie Recommender * Movie recommender servlet *  * com.ibm.taste.example.movie.servlet.MovieRecommenderServlet *  *  * recommender-class *  * com.ibm.taste.example.movie.recommender.UserbasedRecommender *  *  * 1 *  */ String recommenderClassName = config.getInitParameter("recommender-class"); if (recommenderClassName == null) { throw new ServletException( "Servlet init-param \"recommender-class\" is not defined"); } try { MovieRecommenderSingleton.initializeIfNeeded(recommenderClassName); } catch (TasteException te) { throw new ServletException(te); } recommender = MovieRecommenderSingleton.getInstance().getRecommender(); } @Override public void doGet(HttpServletRequest request HttpServletResponse response) throws ServletException { //Parameters.USER_ID = "userID" String userIDString = request.getParameter(Parameters.USER_ID); if (userIDString == null) { throw new ServletException("userID was not specified"); } long userID = Long.parseLong(userIDString); String howManyString = request.getParameter(Parameters.COUNT); //Parameters.COUNT = "count" int howMany = howManyString == null ? DEFAULT_HOW_MANY : Integer.parseInt(howManyString); String format = request.getParameter(Parameters.FORMAT); //Parameters.FORMAT = "format&q