【甘道夫】基于Mahout0.9+CDH5.2运行分布式ItemCF推荐算法

淡淡的烟草味﹌ 2022-08-08 13:41 72阅读 0赞

**环境：**

hadoop-2.5.0-cdh5.2.0

mahout-0.9-cdh5.2.0

--------------------

**引言**

虽然Mahout已经宣布不再继续基于Mapreduce开发，迁移到Spark，但是实际面临的情况是公司集群没有足够的内存支持Spark这只把内存当饭吃的猛兽，再加上项目进度的压力以及开发人员的技能现状，所以不得不继续使用Mahout一段时间。

今天记录的是命令行运行 ItemCF on Hadoop的过程。

--------------------

**历史**

之前读过一些前辈们关于的Mahout ItemCF on Hadoop编程的相关文章，描述的都是如何基于Mahout编程实现 ItemCF on Hadoop ，由于没空亲自研究，所以一直遵循前辈们编程实现的做法，比如以下这段在各大博客都频繁出现的代码：

**import org.apache.hadoop.mapred.JobConf;**

**import org.apache.hadoop.util.GenericOptionsParser;**

**import org.apache.mahout.cf.taste.hadoop.item.RecommenderJob;**

**public class ItemCFHadoop \{**

**public** **static** **void** main(String\[\] args) **throws** Exception \{

JobConf conf = **new** JobConf(ItemCFHadoop.**class**);

GenericOptionsParser optionParser = **new** GenericOptionsParser(conf, args);

String\[\] remainingArgs = optionParser.getRemainingArgs();

**if** (remainingArgs.length != 5) \{

System.*out*.println("args length: "\+remainingArgs.length);

System.*err*.println("Usage: hadoop jar <jarname> <package>.ItemCFHadoop <inputpath> <outputpath> <tmppath> <booleanData> <similarityClassname>");

System.*exit*(2);

System.*out*.println("input : "\+remainingArgs\[0\]);

System.*out*.println("output : "\+remainingArgs\[1\]);

System.*out*.println("tempdir : "\+remainingArgs\[2\]);

System.*out*.println("booleanData : "\+remainingArgs\[3\]);

System.*out*.println("similarityClassname : "\+remainingArgs\[4\]);

StringBuilder sb = **new** StringBuilder();

sb.append("--input ").append(remainingArgs\[0\]);

sb.append(" --output ").append(remainingArgs\[1\]);

sb.append(" --tempDir ").append(remainingArgs\[2\]);

sb.append(" --booleanData ").append(remainingArgs\[3\]);

sb.append(" --similarityClassname ").append(remainingArgs\[4\]);

conf.setJobName("ItemCFHadoop");

RecommenderJob job = **new** RecommenderJob();

job.setConf(conf);

job.run(sb.toString().split(" "));

以上代码是可执行的，只要在命令行中传入正确的参数就可以顺利完成 ItemCF on Hadoop的任务。

但是，如果按这么个代码逻辑，实际上是在Java中做了命令行的工作，为何不直接通过命令行执行呢？

--------------------

**官网资料**

前辈们为我指明了道路， ItemCF on Hadoop的任务是通过 org.apache.mahout.cf.taste.hadoop.item.RecommenderJob类实现的。

官网（https://builds.apache.org/job/Mahout-Quality/javadoc/ ）中对于 org.apache.mahout.cf.taste.hadoop.item.RecommenderJob类的说明如下：

Runs a completely distributed recommender job as a series of mapreduces.

Preferences in the input file should look like userID, itemID\[, preferencevalue\]

Preference value is optional to accommodate applications that have no notion of a preference value (that is, the user simply expresses a preference for an item, but no degree of preference).

The preference value is assumed to be parseable as a double. The user IDs and item IDs are parsed as longs.

Command line arguments specific to this class are:

\--input(path): Directory containing one or more text files with the preference data

\--output(path): output path where recommender output should go

\--tempDir (path): Specifies a directory where the job may place temp files (default "temp")

\--similarityClassname (classname): Name of vector similarity class to instantiate or a predefined similarity from VectorSimilarityMeasure

\--usersFile (path): only compute recommendations for user IDs contained in this file (optional)

\--itemsFile (path): only include item IDs from this file in the recommendations (optional)

\--filterFile (path): file containing comma-separated userID,itemID pairs. Used to exclude the item from the recommendations for that user (optional)

\--numRecommendations (integer): Number of recommendations to compute per user (10)

\--booleanData (boolean): Treat input data as having no pref values (false)

\--maxPrefsPerUser (integer): Maximum number of preferences considered per user in final recommendation phase (10)

\--maxSimilaritiesPerItem (integer): Maximum number of similarities considered per item (100)

\--minPrefsPerUser (integer): ignore users with less preferences than this in the similarity computation (1)

\--maxPrefsPerUserInItemSimilarity (integer): max number of preferences to consider per user in the item similarity computation phase, users with more preferences will be sampled down (1000)

\--threshold (double): discard item pairs with a similarity value below this

为了方便具备英语阅读能力的同学，上面保留了原文，下面是翻译：

运行一个完全分布式的推荐任务，通过一系列mapreduce任务实现。

输入文件中的偏好数据格式为：userID, itemID\[, preferencevalue\]。其中，preferencevalue并不是必须的。

userID和itemID将被解析为long类型，preferencevalue将被解析为double类型。

该类可以接收的命令行参数如下：

*  \--input(path): 存储用户偏好数据的目录，该目录下可以包含一个或多个存储用户偏好数据的文本文件；  
    
 *  \--output(path): 结算结果的输出目录  
    
 *  \--tempDir (path): 存储临时文件的目录  
    
 *  \--similarityClassname (classname): 向量相似度计算类，可选的相似度算法包括**CityBlockSimilarity，CooccurrenceCountSimilarity，CosineSimilarity，CountbasedMeasure，EuclideanDistanceSimilarity，LoglikelihoodSimilarity，PearsonCorrelationSimilarity, TanimotoCoefficientSimilarity。注意参数中要带上包名。**  
    
 *  \--usersFile (path): 指定一个包含了一个或多个存储userID的文件路径，仅为该路径下所有文件包含的userID做推荐计算 (该选项可选)  
    
 *  \--itemsFile (path): 指定一个包含了一个或多个存储itemID的文件路径，仅为该路径下所有文件包含的itemID做推荐计算 (该选项可选)  
    
 *  \--filterFile (path): 指定一个路径，该路径下的文件包含了\[userID,itemID\]值对，userID和itemID用逗号分隔。计算结果将不会为user推荐\[userID,itemID\]值对中包含的item (该选项可选)  
    
 *  \--numRecommendations (integer): 为每个用户推荐的item数量，默认为10  
    
 *  \--booleanData (boolean): **如果输入数据不包含偏好数值，则将该参数设置为true**，默认为false  
    
 *  \--maxPrefsPerUser (integer): 在最后计算推荐结果的阶段，针对每一个user使用的偏好数据的最大数量，默认为10  
    
 *  \--maxSimilaritiesPerItem (integer): 针对每个item的相似度最大值，默认为100  
    
 *  \--minPrefsPerUser (integer): 在相似度计算中，忽略所有偏好数据量少于该值的用户，默认为1  
    
 *  \--maxPrefsPerUserInItemSimilarity (integer): 在item相似度计算阶段，针对每个用户考虑的偏好数据最大数量，默认为1000  
    
 *  \--threshold (double): 忽略相似度低于该阀值的item对

--------------------

**命令行执行**

用于测试的用户偏好数据【 userID, itemID, preferencevalue 】：

1,101,2

1,102,5

1,103,1

2,101,1

2,102,3

2,103,2

2,104,6

3,101,1

3,104,1

3,105,1

3,107,2

4,101,2

4,103,2

4,104,5

4,106,3

5,101,3

5,102,5

5,103,6

5,104,8

5,105,1

5,106,1

相关基础环境配置完善后，在命令行执行如下命令即可进行 ItemCF on Hadoop推荐计算：

hadoop jar $MAHOUT\_HOME/mahout-core-0.9-cdh5.2.0-job.jar org.apache.mahout.cf.taste.hadoop.item.RecommenderJob --input /UserPreference --output /CFOutput --tempDir /tmp --similarityClassname org.apache.mahout.math.hadoop.similarity.cooccurrence.measures.LoglikelihoodSimilarity

注：这里只使用了最重要的参数，更多的参数使用调优需结合实际项目进行测试。

计算结果 【 userID     \[ itemID1:score1, itemID2:score2...... \] 】 ：

1 \[104:3.4706533,106:1.7326527,105:1.5989419\]

2 \[106:3.8991857,105:3.691359\]

3 \[106:1.0,103:1.0,102:1.0\]

4 \[105:3.2909648,102:3.2909648\]

5 \[107:3.2898135\]

\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*

原文地址： [http://blog.csdn.net/u010967382/article/details/40428253][http_blog.csdn.net_u010967382_article_details_40428253]

[http_blog.csdn.net_u010967382_article_details_40428253]: http://blog.csdn.net/u010967382/article/details/40428253