Java 行家推荐人

报告提到以下内容：

// Construct the list of pre-computed correlations
Collection <GenericItemSimilarity.ItemItemSimilarity>  correlations = ...;

---

本例指的是这样一种情况，即您已经计算了相似性，例如通过Hadoop作业，并存储在文件系统或数据库中。正如构造器文档所示：

一个“泛型”{@link ItemSimilarity}，它获取预先计算的项相似性的静态列表，并将其响应单独基于该列表。这些值可能已由另一个进程脱机预计算，存储在文件中，然后读取并馈送到此类的实例中。

---

如果您有数千万条或更少的建议，您只需动态计算相似性，然后使用另一个

GenericItemSimilarity

constructor-

GenericItemSimilarity（ItemSimilarity-otherSimilarity，DataModel-DataModel）

例如：

DataModel dataModel = new FileDataModel(new File("path://to/file.csv"));
ItemSimilarity itemSimilarity = new LogLikelihoodSimilarity(dataModel);
ItemSimilarity itemSimilarity = new GenericItemSimilarity(itemSimilarity, dataModel);

---

这里没有什么神奇之处，只是建议您创建一组ItemSimilarity对象，为您知道的每个项目相似性创建一个对象

Collection<GenericItemSimilarity.ItemItemSimilarity> correlations = 
  new ArrayList<GenericItemSimilarity.ItemItemSimilarity>();
correlations.add(new GenericItemSimilarity.ItemItemSimilarity(1, 2, 0.5));
...

集合关联=
新的ArrayList（）；
添加（新的GenericItemSimilarity.ItemSimilarity（1,2,0.5））；
...

---

您可以通过这种方式或任何其他方式进行推荐。

“如果您有数千万条或更少的推荐，您只需动态计算相似度”->使用10M movielens数据，基于项目的推荐加载大约需要22秒。。基于用户的测试只需要200毫秒。如何使用item-based动态加载数千万？我已经创建了一个相关集合，正如您在这里提到的，然后创建了以下相似性实例：new CachingItemSimilarity（new GenericItemSimilarity（correlations），dataModel.getNumItems（））。。使用1M MovieLens数据，我的基于项目的推荐程序只比以前快了40-50%（比如589.5毫秒而不是1222.9毫秒）。但是基于用户的速度真的很快，就像24.2ms？这怎么会发生？我对项目相似性的预计算可以吗？我希望你也能给我一点时间：）

Collection<GenericItemSimilarity.ItemItemSimilarity> correlations = 
  new ArrayList<GenericItemSimilarity.ItemItemSimilarity>();
correlations.add(new GenericItemSimilarity.ItemItemSimilarity(1, 2, 0.5));
...