一个简单的基于用户的推荐系统+缓存机制

DataModel model=new FileDataModel(new File("intro.csv")); //.csv是逗号文件

UserSimilarity similarity=new PearsonCorrelationSimilarity(model);

UserNeighborhood neighborhood=new nearestNUserNeighborhood(2,similarity,model);

Recommender recommender=new GenericUserBasedRecommender(model,neighborhood,similarity);

UserSimilarity封装了用户间相似性的概念，而Userneighborhood封装了最相似用户组的概念。它们是标准的基于用户推荐算法的必要组件。

一个推荐系统，通常包括如下组件：

1.数据模型，由DataModel实现

2.用户间的相似性度量，由UserSimilarity实现

3.用户领域（组）的定义，由UserNeighborhood实现

4.推荐引擎，由一个Recommender实现

　　Mahout有缓存封装机制，CachingUserSimilarity是UserSimilarity的一种实现，它封装了另一个UserSimilarity的实现并缓存其结果。也就是说它利用另一个实现进行计算，并将得到的结果进行内部缓存。然后，当需要提供一个已经计算过的用户间相似度时，它就可以直接返回，而不需要该实现重新进行计算。可以用这个办法为任何相似性度量的实现添加缓存功能。当计算的代价很高时，引入这种机制是值得的。当然，缓存是有代价的，它会消耗内存。

　　例：为UserSimilarity实现引入缓存机制

  UserSimilarity similarity=nwe CachingUserSimilarity(new SpearmanCorrelationSimilarity(model),model);

做个小推广：程序员经常久坐，颈椎毛病比较多，特别推荐ventry颈椎保健枕