浅谈基于Mahout推荐引擎的构建
基于_MAHOUT_构建社会化推荐引擎
基于 Apache Mahout 构建社会化推荐引擎Web 2.0 的一个核心思想就是“群体智慧”，即基于大众行为，为每个用户提供个性化的推荐。
这使得如何让用户能更快速更准确的获得所需要的信息，成为了 Web 应用成败的关键。
Apache Mahout 是ASF（Apache Software Foundation）的一个较新的开源项目，提供机器学习领域的一些经典算法的高效实现。
本文主要讲述如何基于Apache Mahout 来构建社会化推荐引擎，帮助 Web 应用开发者更高效的实现个性化推荐功能，从而提高最终用户满意度。
推荐引擎利用特殊的信息过滤（IF，Information Filtering）技术，将不同的内容（例如电影、音乐、书籍、新闻、图片、网页等）推荐给可能感兴趣的用户。
通常情况下，推荐引擎的实现是通过将用户的个人喜好与特定的参考特征进行比较，并试图预测用户对一些未评分项目的喜好程度。
参考特征的选取可能是从项目本身的信息中提取的，或是基于用户所在的社会或社团环境。
根据如何抽取参考特征，我们可以将推荐引擎分为以下四大类：•基于内容的推荐引擎：它将计算得到并推荐给用户一些与该用户已选择过的项目相似的内容。
例如，当你在网上购书时，你总是购买与历史相关的书籍，那么基于内容的推荐引擎就会给你推荐一些热门的历史方面的书籍。
•基于协同过滤的推荐引擎：它将推荐给用户一些与该用户品味相似的其他用户喜欢的内容。
例如，当你在网上买衣服时，基于协同过滤的推荐引擎会根据你的历史购买记录或是浏览记录，分析出你的穿衣品位，并找到与你品味相似的一些用户，将他们浏览和购买的衣服推荐给你。
•基于关联规则的推荐引擎：它将推荐给用户一些采用关联规则发现算法计算出的内容。
关联规则的发现算法有很多，如Apriori、AprioriTid、DHP、FP-tree 等。
•混合推荐引擎：结合以上各种，得到一个更加全面的推荐效果。
随着互联网上数据和内容的不断增长，人们越来越重视推荐引擎在互联网应用中的作用。
基于Solr和Mahout在线资讯自动分类与全文搜索引擎的实现
基于Solr和Mahout在线资讯自动分类与全文搜索引擎的实现熊立波【期刊名称】《中国传媒科技》【年(卷),期】2013(000)017【总页数】4页(P62-65)【作者】熊立波【作者单位】新华社技术局【正文语种】中文在当前信息爆炸式增长的时代，用户对信息服务的需求已经从信息汇聚为主的广播式服务逐渐过渡到要求提供按需、定制化、定向的集成化信息服务。
用户要求能按照其特定的业务需求，对信息进行预加工、过滤后，提供给他们精品化的“干货”。
这对我们通讯社的信息服务方式也提出了新的要求。
在大数据时代，信息量呈几何方式增长，同时我们也积累了大量的历史资讯数据，如果不能对信息进行合理的分类，我们就不能按用户的需求提供给他们需要的信息。
但是，如果这些数据都按照传统的人工方式，通过记者和编辑对所有信息进行分类、加工，不仅成本巨大，而且信息加工的效率也不能满足用户对信息时效性的要求。
当前，信息智能分析处理技术，特别是针对于中文的资讯智能处理技术已经有了快速的发展。
通过技术创新，构建资讯自动预处理系统，减少人工成本，提高信息生产效率和服务能力是我们的必经之路。
文本自动分类与全文检索技术文本自动分类技术文本自动分类技术(textcategorization)主要指的是依靠基于机器学习的文本分类算法，在预先给定的类别标记(Label)集合下，根据文本内容判定它所属的类别。
目前应用比较成熟的机器学习算法主要是基于统计学的机器学习和分类算法，统计学习方法的基本思想就是让机器像人类一样通过对大量已经分类好的同类文档的观察来学习并总结经验，作为今后分类的依据。
统计学习方法需要一批由人工预先进行了准确分类的文档作为学习的材料，计算机从这些文档中挖掘出一些能够有效分类的规则，这个过程被形象的称为“训练”。
训练总结出的规则集合常常被称为分类器。
训练完成之后，需要对计算机使用这些训练出来的分类器对从来没有见过的文档进行分类。
目前应用比较普遍的分类算法主要包括朴素贝叶斯(naive bayes),KNN算法和支持向量机(SVM, Support Vector Machine)等统计算法。
基于Mahout的个性化推荐系统架构
基于Mahout的个性化推荐系统架构
韩怀梅;李淑琴
【期刊名称】《北京信息科技大学学报（自然科学版）》
【年(卷),期】2014(029)004
【摘要】针对互联网企业的实际和用户需求,构建一种基于Mahout的个性化推荐系统架构.通过分析网站的数据特点,将数据分为静态数据和动态数据.当数据量不大时,根据数据特点选用Mahout单机内存推荐算法进行计算;当数据量很大时搭建分布式集群,将业务系统的静态数据定时地增量导入到Hadoop的HDFS中,然后用Mahout分布式推荐算法访问HDFS.计算后的结果,保存到业务系统的数据库中,与动态数据合并作为在线响应的输出.实验证明该方案可以绕过海量数据的高并发在线分析的问题,有效地缓解系统响应时间的压力.
【总页数】4页(P51-54)
【作者】韩怀梅;李淑琴
【作者单位】北京信息科技大学计算机学院,北京100192;北京信息科技大学网络文化与数字传播北京市重点实验室北京100101
【正文语种】中文
【中图分类】TP302
【相关文献】
1.基于MAS的个性化推荐系统架构研究 [J], 赵智;孙琰
2.浅谈Mahout在个性化推荐系统中的应用 [J], 邓秀娟
3.基于Mahout与协同过滤算法的中医调理文章推荐引擎 [J], 刘艳; 方田; 刘嘉慧; 戴彩艳; 王珍
4.基于Mahout框架的社交网络服务数据过滤算法 [J], 刘丰年
5.大数据平台下基于Mahout的图书推荐系统研究 [J], 欧卫红;杨永琴
因版权原因，仅展示原文概要，查看原文内容请购买。
基于mahout与协同过滤算法的中医调理文章推荐引擎
电子技术与软件工程Electronic Technology & Software Engineering数据库技术Database Technology 基于Mahout 与协同过滤算法的中医调理文章推荐引擎文/刘艳方田刘嘉慧戴彩艳王珍(南京中医药大学人工智能与信息技术学院 江苏省南京市210023 )摘 要：本文研究了推荐系统的相关知识，在传统的基于用户的协同过滤算法上引入了属性相似度，增加了相似度的准确度，提高了推荐性能；利用评估推荐器计算平均绝对误差评测、调整推荐器的性能；利用Mahout 开源框架，结合协同过滤算法构建了中医调理文章 推荐系统。
关键词：协同过滤；中医调理；Mahout;推荐引擎；相似度1引言随着信息的快速增长，每天都有多种多样的中医养生调理方案 产生，过多的数据导致被动获取的信息过载，怎样快速地获取用户感兴趣且有用的信息呢？通过中医调理文章的推荐信息管理系统，可以有效的解决这个问题。
其主要的任务之一就是通过联系更多的用户与推荐平台，解决推荐信息资源过载的问题，提升用户推荐的质量，提高用户的满意度。
本文利用基于用户的协同过滤推荐算法，分析智慧血压监测与健康管理APP 中用户上传的资料和用户历史数据，挖掘用户相似度，引入属性相似度概念，实现了一个基于Mahout 的中医养生调理文章推荐系统，可以智能选取用户感兴趣的调理文章，每日推送相关的中医调理方法。
2 Mahout 研究Mahout 是 Apache 软件基金会(全称 Apache Software Foundation,也简称ASF)旗下的一个经典算法开源项目，集成了各式各样的聚类、推荐等算法，是一个很好用的经典算法工具集，可以更好地帮 助我们去理解和学习这些算法，并在此基础上对它们加以系统性的研究和创造性的改进。
在目前被广泛采用的机器智能学习数据分析 技术中，Mahout 主要用于推荐引擎、聚类和分类。
Taste 是Mahout 基于Java 的一个推荐实现，Taste 不仅可以实 现基本的基于用户的和基于内容的协同过滤算法，还可以实现比较高效的SlopOne 算法和基于SVD 和线性插值的推荐算法，同时也为个性化推荐算法的实现提供了一个可扩展接口，使得用户可以很方便的使用和设计完成自己的推荐算法，也较好的满足了企业对个性化推荐引擎在性能、灵活性等诸多方面的更高要求Mahout协同过滤算法的具体包含如图1所示。
基于大数据和Mahout架构的毕业生就业智能推荐平台研究
根据有关数据显示，近年来随着高校的扩招，以及居民受教育意识的不断提升，全国接受高等教育的人数呈持续增长趋势。
预计2018年，全国普通高校毕业生的人数达到820万，在高校毕业生人数不断攀升的情况下，几乎每年都成为了“最难就业年”[1]。
另一方面，随着社会经济的发展，企业对于人才质量和人才类别的需求也在不断变化和提升，这就在企业和毕业生之间产生了需求鸿沟。
因此，如何有效解决高校就业工作管理难题，提高毕业生的就业质量，提升企业的招聘效率，就成为三方共同关注的重点问题。
1平台分析1.1构建目标本平台是基于大数据D ruid 架构和开源推荐架构Mah out 构建的高校毕业生智能推荐平台，其拥有先进的大数据实时并行处理能力，以及高效的协同推荐算法实现，具有如下核心功能：（1）网络爬虫抓取功能，利用开源网络爬虫程序到指定网站（包含招聘、企业、高校）抓取企业信息、招聘信息，并对数据进行分析、分类及标签化处理，从而做到有效存储。
（2）毕业生用户画像处理功能，基于毕业生的简历信息以及行为数据进行分析，了解其就业意向和行为偏好，建立毕业生的个人标签库，刻画其用户画像。
（3）智能推荐算法实现。
通过数据埋点和系统日志，挖掘毕业生和企业用户的在线行为数据，获取其对应的行为偏好。
通过对往届毕业生的就业情况进行分析和处理，提前预设相关推荐规则，解决算法的冷启动问题。
通过有关规则和欧式距离计算用户之间的相似度，形成基于用户和内容的协同过滤推荐算法。
（4）建立推荐结果反馈机制。
在系统推荐之后，可以让企业和毕业生对推荐结果进行评价，并根据反馈结果实时调整推荐算法，从而更加强调推荐的准确度和实时性。
基于大数据技术建设的互联网就业推荐服务平台，通过网络爬虫抓取互联网上最新的就业和招聘数据，结合用户行为数据和用户日志数据等信息，在满足常规的企业和毕业生对应推荐之上，设计了高精准度的推荐算法，增强了用户体验满意度。
1.2平台架构描述基于大数据的就业智能推荐架构体系，主要包含数据采集、数据处理与存储、智能推荐以及用户-系统交互4大核心模块，具体如图1所示。
浅谈Mahout在个性化推荐系统中的应用
浅谈Mahout在个性化推荐系统中的应用作者：邓秀娟来源：《电脑知识与技术》2016年第25期摘要：面对当今信息过载的问题，推荐系统发挥了重要的作用，构建一种基于Mahout的推荐引擎使推荐系统发挥更优的推荐效果。
本文介绍了Mahout中的各种推荐算法的基本特点，基于某约会网站的数据示例，对几种推荐算法进行尝试性测试，从而找出最优的算法组合方案实现一个推荐引擎。
关键词：推荐系统；Mahout；单机内存算法；组件中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2016）25-0171-02随着信息技术和互联网的发展，人们逐渐从信息匮乏的时代进入了信息过载的时代。
推荐系统的出现可以帮助用户发现对自己有价值的信息，同时能够让信息展现在对它感兴趣的用户面前。
个性化推荐系统依赖于用户的行为数据，目前被广泛地应用在包括电子商务、社交网络、电影和视频、音乐、个性化邮件和广告、基于位置的服务、阅读等领域中，从而提高相关网站的点击率和转化率。
Mahout是来自Apache的、开源的机器学习软件库，主要提供了机器学习领域的推荐引擎（协同过滤）、聚类和分类算法的实现，为推荐系统的应用和研究提供了支持。
本文通过对Mahout中的推荐算法进行研究，使用一个示例对推荐算法进行评估，从而找到一个有效的推荐程序应用到示例中，为用户实现推荐。
1 Mahout的推荐算法基于Hadoop分布式框架的机器学习算法库Mahout封装了多种机器学习算法的分布式实现，由多个组件混搭而成，各个组件的组合可以定制，从而针对特定应用提供理想的推荐。
通常包括的组件如下：数据模型由DataModel实现；用户间的相似性度量由UserSimilarity实现；用户近邻的定义由UserNeighborhood实现；推荐引擎由一个Reommender实现。
从数据处理能力上，Mahout推荐算法可以分为单机内存算法和基于Hadoop的分布式算法，本文仅讨论单机内存算法。
基于Mahout的个性化电子商务推荐系统研究
2017年第10期 信息通信2017 (总第 178 期）INFORMATION&COMMUNICATIONS(Sum.N o178)基于Mahout的个性化电子商务推荐系统研究叶建龙(1.味•南师范高等专科学校;2甘肃省高等学校农村电商人才培育重点实验室，甘肃陇南742500)摘要:文章针对基于Mahout的个性化电子商务推荐系统研究，将从个性化电子商务推荐系统概述入手，结合M ahout简介，以及开发程序流程,对电子商务推荐算法实现展开论述。
最后以实验为例进行了深入分析。
文章旨在能为提升电子 商务系统的整体功能提供参考性建议。
关键词:Mahout;个性化；电子商务;推荐系统中图分类号:TP391.3 文献标识码:A文章编号：1673-1131(2017)10-0129-02随着互联网技术的发展，电子商务进入到数据爆炸时代。
在出现信息过载的现象后，电子商务的信息检索并没有因此 而更加便利。
相反，海量信息使电子商务面临着困惑与挑战。
在此背景下，个性化电子商务推荐系统成为解决其困惑和难题的重要途径和手段。
因此，加强基于Mahout的个性化电子 商务推荐系统研究具有重要意义。
1个性化电子商务推荐系统概述1.1电子商务推荐系统的功能电子商务推荐系统的功能，可从两个角度进行分析。
首 先，对供应商而言,推荐系统可以帮助供应商提高客户的忠诚 度。
使客户在最短时间找到自己所需要的东西，以此提升用 户的体验度。
推荐系统具有分析用户浏览记录，以及历史信 息的功能，并在特定情况向客户进行有价值的推荐，帮助供应 商提高交易量[1]。
而且，网站也可通过潜在客户的浏览痕迹进 行追踪，适时的推荐商品，继而将其转换为实际客户，提高电 子商务的利润。
其次,对消费者而言，通过个性化推荐系统的 应用，消费者可根据系统推荐的消息，有选择性地进行决策。
运用推荐系统选择出最符合自己所需的商品，提高信息检索 与购买效率，避免了盲目消费。
基于mahout的保险产品推荐系统的研究
基于mahout的保险产品推荐系统的研究摘要随着网销保险产品的增多，客户需求的多样化增长，为提高产品的销量及保持客户的黏着度，我们对保险产品的推荐系统及推荐算法做了研究。
本文主要使用Mahout中基于内容推荐算法及流行度算法为核心算法进行分析，并通过实验进行了验证。
关键词保险；推荐系统；基于内容推荐；流行度算法引言在现实生活中，相信每个人都有过购物体验，拿购买食品来说，如果我有明确的目标，想买一些苹果，我可以去超市，走到果蔬区，找到苹果，然后装上几个；如果我很懒，不想去超市，也可以打开某个APP，找到苹果，然后下单。
但总有一些时候，我们没有明确的购买目的，不知道想买什么，这个时候有个售货员过来和我说，今天的草莓刚到的，很新鲜，我很可能就会买上一些。
由此可见售货员的推荐起到了一定的作用。
那么在电子商务不断发展的今天，大量的用户越来越多样化，如何满足不同类型用户的需求，基于这种现状，各大电商平台都推出了自己的推荐系统，并应用于各自的网站中。
在保险产品领域中，由于保险行业的特殊性，有别于普通的产品销售。
传统的保险产品都是由销售人员根据客户的需求对客户进行产品的推荐。
在网销的保险产品中，没有销售人员的帮助，客户很容易迷失在各种各样五花八门的保险产品里[2]。
基于以上情况，本文将针对保险产品，研究适合该领域的推荐系统，帮助客户找到适合自己的保险产品，提高客户满意度和黏着性。
1 推荐系统主要算法概述1.1 协同过滤仅仅基于用户行为数据设计的推荐算法一般称作协同过滤算法。
包括基于邻域的方法、隐语义模型、基于图的随机游走算法等。
在这些算法中业界广泛应用的是基于邻域的方法，而基于邻域方法主要包含基于用户的协同过滤算法和基于物品的协同过滤算法[1]。
（1）基于用户的协同过滤算法在一个在线的个性化推荐系统中，若用户A需要个性化推荐，可以先找到同用户A有相同兴趣的其他用户，然后将这些用户喜欢的、感兴趣的并且用户A 没接触过的产品推荐给用户A，这种方法就是基于用户的协同过滤算法。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
３ ５ １ ５ ４ ２
建， 其中重点介绍了环境变量的配置， 然后介绍 了推荐引擎架构， 最后创建 了一个基于简单数据的推荐程序， 清晰看到Ｔ Ｍａ ｈ ｏ ｕ ｔ 推荐程序中各个组件的 关 系， 实现 了基 于Ｍａ ｈ ｏ ｕ ｔ 的推 荐 引擎构建 ， 对初 学者有 一定 的帮助 。
关键 词： Ｍａ ｈ ｏ ｕ ｔ推荐 引擎 组件 中图分类 号： Ｔ Ｐ ３ １ １ ． ５ 文献标 识码 ： Ａ 文章 编￣ ： １ ０ ０ ７ — ９ ４ １ ６ （ ２ ０ １ ５ ） ０ ４ — ０ ０ ４ ４ — ０ ２
一
实现 向用户推荐其感兴趣和所需要的项 目。 Ｍａ ｈ ｏ ｕ ｔ 是Ａ ｐ ａ ｃ ｈ ｅ Ｓ ｏ ｆ ｔ － ｒ ｏ ｎ ｍｅ ｎｔ ｓ ” 一一“ Ａｄ ｄ ” 一一” Ａｐａ ｃ ｈ ｅ ” 一一” Ａｐ ａ ｃ ｈ ｅ Ｔｏ ｍｃ ａ ｔ ｖ ７． ０ ” 一一 ｗａ ｒ ｅ Ｆ ｏ ｕ ｎ ｄ ａ ｔ ｉ ｏ ｎ （ ＡＳ Ｆ ） 旗下 的一个开 源项 目， 提供一 些可扩展的 选择ｔ ｏ ｍｃ ａ ｔ ７ 的 目录 ， 在Ｊ Ｒ Ｅ中选择１ ） 中配置的ｊ ｄ ｋ 即可 。 机器学 习领域经典算法的实现， 旨在帮助开发人员更加方便快捷地 （ ３ ） 启动提速 创建智能应用程序 。 本文针对 电子商务网站和用户需求 ， 结合 电子 ｅ ｃ ｌ ｉ ｐ ｓ ｅ 启 动时会默认加 载一些插件 ， 而 加载这些插件 会增加 商务网站中数据特性 ， 提 出了基于Ｍａ ｈ ｏ ｔ的高效 的推荐引擎。 ｕ 在海 ｃ ｅ ｌ ｉ ｐ ｅ ｓ 的启 动时间 ， 所 以可 以关 闭， 方法如 下： 量的数据 中， 要找到 自己需要或感兴趣的部分非常困难 ， 因此从过 “ Ｗｉ ｎ ｄｏ ｗ” 一一” Ｐｒ ｅ ｆ ｅ ｒ ｅ ｎ ｃ ｅ ｓ ” 一一“ Ｇｅ ｎ ｅ ｒ ａ ｌ ” 一一” Ｓ ｔ ａ ｒ ｔ ｕ ｐ ａ ｎｄ 载的信息 中为用户推荐感兴趣的内容是推荐 引擎 的主要任务 。 Ｓ ｈ ｕ ｔ ｄ ｏ ｗｎ” 一 一去 掉 你 不 想 要 的 插 件 即可 。 ２开发环境搭建 然后进行 关闭验证 、 设 置“ 新建” 菜单项等操作 。 ２ ． ２安 装Ｍａ ｖ ｅ ｎ 作为初学Ｍａ ｈ ｏ ｕ ｔ 的程序 开发人员 ， 首先 从基 于单机的开发环 境开始 ， 其必须开发工具是Ｍａ ｖ ｅ ｎ 和Ｅ ｌ ｃ ｉ ｐ ｓ ｅ ， 下面 首先介绍其复杂 Ｍａ ｈ ｏ ｕ ｔ ￥ ￣ 用Ｍａ ｖ ｅ ｎ 来构建 和发布项 目， Ｍａ ｖ ｅ ｎ 是一个命令行 的开 发环 境 搭 建 。 工具 ， 它管理依赖 关系、 编译代码 、 形 成软件包 、 生成文档并发布正 ２ ． １ Ｊ ａ ｖ ａ 和Ｉ ＤＥ 式 版本 。 论是 小 型 的开 源 类 库项 目， 还 是 大 型 的企 业 级 应 用 ； 无论 是 首先在 电脑上安装Ｊ ａ ｖ ａ ， 安装Ｊ ａ ｖ ａ ６ ， 并进行环境变量的配置 ： 表 １用 户 喜 好 商 品 表 新建： Ｊ ＡＶＡ — ＨＯ ＭＥ： Ｃ： ＼ Ｐ ｒ ｏ ｇ ｒ ａ ｍ Ｆ ｉ ｌ ｅ ｓ ＼ Ｊ ａ ｖ ａ ＼ Ｊ ｄ ｋ １ ． ６； 新建 ： Ｃ Ｌ Ａ Ｓ Ｓ — Ｐ Ａ ＴＨ－ ． ． ％Ｊ ＡＶ Ａ— ＨＯ ＭＥ ％＼ ｌ ｉ ｂ； 新建 ： Ｐ ＡＴ Ｈ： 在最前面 用户 Ｉ Ｄ 商品 Ｉ Ｄ 偏 好值 ａ ｌ １ Ｏ １ ５ 加上％Ｊ Ａ ＶＡ — ＨＯ ＭＥ ％＼ ｂ ｉ ｎ。 创建环境变量后 ， 打开ｃ ｍｄ ， 输入 “ ｊ ａ ｖ ａ ａ ｌ ｌ ０ ２ ３ ｖ ｅ ｒ ｓ ｉ ｏ ｎ ” 验证是否安装成功 。 ａ １ １ ０ ３ ２ 安 装ｔ ｏ ｍｃ ａ ｔ 以及ｅ ｃ ｌ ｉ ｐ ｓ ｅ ， 然后进行环境变量 的配置 ： ｂ ｌ １ ０ １ ４ （ １ ） 配置Ｊ Ｄ Ｋ
１引言
ห้องสมุดไป่ตู้
ｃｌ ｅ ｐｓ ｉ ｅ ￣ 自动关联环境变量 中配置蜘 ｄ ｋ ， 如果我们安装 了多个 版本的ｊ ｄ ｋ， 也可 以手工进行配置 ， 方法如下 ： 随着ｗｅ ｂ 技术 和网络通信技术的深入发展 ， 也促进 了推荐系统 “ Ｗｉ ｎ ｄ ｏ ｗ” 一一” Ｐｒ ｅ ｆ ｅ ｒ ｅ ｎ ｃ ｅ ｓ ” 一一” Ｊ ａ ｖ ａ ” 一一” Ｉ ｎ ｓ ｔ ａ ｌ ｌ ｅ ｄ Ｊ ＲＥｓ ” 一 的应用领域 ， 拓展了推荐系统的应用平台。 推荐系统是建立在用户、 “ Ａ ｄ ｄ ” 一 一” Ｓ ｔ ａ ｎ ｄ ａ ｒ ｄ Ｖ Ｍ” 一 一 选择ｊ ｄ ｋ 安装 目录 。 项 目以及用户对项 目的评价基础上 ， 针对“ 信 息过载” 问题 ， 对其进 （ ２ ） 配 置ｔ ｏ ｍｃ ａ ｔ 行处理 、 挖掘 ， 找到相似的用户或项 目， 利用用户或项 目的相似 性 ，
应用 研 究
＼ 。 Ｉ 竺 与 应 用
浅谈基于 Ｍａ ｈ ｏ ｕ ｔ 推荐引擎的构建
朱倩
（ 四 川职 业技 术 学 院 四川 遂 宁 ６ ２ ９ ０ ０ ０ ）
摘 要： 面对 电子商务 网站和 用户的 实际需 求， 构 建一种基 于Ｍａ ｈ ｏ ｕ ｔ ￣推荐 引擎成 为 了 目前急 需解决的 问题 。 本文 首先介 绍 了系统 开发环 境的搭
－
“ Ｗｉ ｎ ｄｏ ｗ” 一一” Ｐ ｒ ｅ ｆ ｅ ｒ ｅ ｎ ｃ ｅ ｓ ” 一一” Ｓ ｅ ｒ ｖ ｅ ｒ ” 一一” Ｒｕ ｎ ｔ ｉ ｍｅ Ｅｎｖ ｉ —
ｂ
１ １ ０ ２ ｌ １ Ｏ ３ ｌ １ ０ ４ １ １ Ｏ １ １ １ ０ ２ ｌ １ Ｏ ４
ｌ １ ０ ６