我使用movie lens数据文件（ml-100k.zip）u.data不变，所以它有以下列：userid、movieid和user rating。
我用了llr：
hadoop jar c:\hdp\mahout-0.9.0.2.1.3.0-1981\core\target\mahout-core-0.9.0.2.1.3.0-1981-job.jar org.apache.mahout.cf.taste.hadoop.item.recommenderjob-s similarity\u loglikelibility--input u.data--output udata output
当我查看udata\u输出文件时，我会看到推荐的电影id，后面是推荐分数，如：
1226:5.0和896:4.798878
推荐分数似乎从5.0到4.x不等
但是，当我从u.data文件中删除用户评级列并重新运行上面的同一命令行时，我收到的结果如下：
615:1.0
所有推荐分数均为1.0。
2个问题：
1） 如果llr忽略了用户评分，而我更改的唯一输入是是否提供用户评分，那么推荐分数为什么会更改？
2） 总的来说，我正在尝试确定推荐排名，所以我使用llr。此外，我是否应该忽略推荐分数，只关注推荐项目的顺序（例如：第一个项目的排名高于第二个）？
提前谢谢。
1条答案
按热度按时间yptwkmov1#
llr不使用优势。理论上，如果用户真的与某个项目进行了交互，那么这就是所需的全部指示。llr将把这种交互与其他用户的交互关联起来，并基于称为对数似然比的概率计算得出分数。它确实创造了优势，但只利用了互动的次数。
答案
这可能是一个bug，也可能是因为您在一种情况下使用的是布尔型推荐程序，而在另一种情况下使用的是非布尔型推荐程序。我可能是推荐人试图通过考虑价值观来提供评级。但如果你想优化排名，这些都不重要
你真的不需要看推荐权重，除非你试图预测评级，这在现在很少发生。相信REC的排名。
顺便说一句，mahout现在有了一个全新一代的推荐器，它使用搜索引擎提供推荐，mahout计算模型。与旧版hadoop相比，它有许多好处，包括：
多模式：它可以在许多不同的项目集上接收许多不同的用户操作。这允许您使用用户的大部分点击流来推荐。
实时结果：它在solr或ElasticSearch中有一个非常快速的可扩展服务器。
由于实时性，它可以向新用户或具有最近历史记录的用户推荐。旧的hadoop mahout推荐程序只向用户和培训数据中的项目推荐—它们无法对培训中未使用的历史做出React。新的推荐者可以使用实时收集的数据，即使是对新用户。
mahout 1.0-snapshot或更高版本中的新多模式推荐程序如下所述：
马霍特遗址
一个免费电子书，其中谈到的一般思想：实用的机器学习
幻灯片，讨论混合行动或其他指标：创建统一的多模式推荐人
两篇博文：《推荐人的新特性：第1部分》和《推荐人的新特性：第2部分》
一个描述对数似然比的post：惊喜和巧合llr用于减少数据中的噪声，同时保持计算的o（n）复杂性。