Question

我正在尝试使用mahout构建项目项相似性匹配推荐引擎。数据集采用以下格式（属性采用文本而非数字格式）

name : category : cost : ingredients

x : xx1 : 15 : xxx1, xxx2, xxx3

y : yy1 : 14 : yyy1, yyy2, yyy3

z : xx1 : 12 : xxx1, xxy1

因此，为了使用这个数据集进行训练，有什么方法可以将这个数据转换为mahout接受的数字（作为CSV布尔数据集）格式。

Answer 1

使用Mahout v1，编码可以是文本分隔/ CSV类型文件。

name<tab>category-ID<space>cost-range-ID<space>ingredient-ID1<space>ingredient-ID2<space>etc...

所有ID都是字符串，因此您可能希望为成本范围提供ID，而不是将实际成本用作数值。另外，请确保所有列都不能包含相同的ID，因此cost-range-IDs与ingredient-ID和category-ID不同。

对此数据运行mahout spark-rowsimilarity，您将获得以下格式的文件：

name<tab>name1:strength<space>name2:strength<space>etc...

这是每个项目的类似项目列表。对列表进行排序，强度是项目相似程度的LLR（对数似然比）得分。