Я пытаюсь создать механизм рекомендаций по сходству элементов с помощью mahout. Набор данных имеет следующий формат (атрибуты представлены в текстовом формате, а не в числовом формате)
name : category : cost : ingredients
x : xx1 : 15 : xxx1, xxx2, xxx3
y : yy1 : 14 : yyy1, yyy2, yyy3
z : xx1 : 12 : xxx1, xxy1
Итак, чтобы использовать этот набор данных для обучения mahout, как правильно преобразовать его в числовой формат (как набор данных CSV Boolean), принятый mahout.
При использовании Mahout v1 кодировка может быть в текстовом файле с разделителями/в формате CSV.
name<tab>category-ID<space>cost-range-ID<space>ingredient-ID1<space>ingredient-ID2<space>etc...
Все идентификаторы являются строками, поэтому вы можете указать идентификаторы для диапазонов стоимости вместо использования фактической стоимости в виде числового значения. Также убедитесь, что ни один из столбцов не может содержать один и тот же идентификатор, чтобы идентификаторы диапазона затрат отличались от идентификаторов ингредиентов и идентификаторов категорий.
Запустите mahout spark-rowsimilarity для этих данных, и вы получите файлы в форме:
name<tab>name1:strength<space>name2:strength<space>etc...
Это список похожих элементов для каждого элемента. Список отсортирован, а сила — это оценка LLR (логарифмическое отношение правдоподобия) того, насколько похожи элементы.
Документы здесь: http://mahout.apache.org/users/recommender/intro-cooccurrence-spark.html
