mahout算法源码分析之Collaborative Filtering with ALS-WR 并行思路

Mahout版本：0.7，hadoop版本：1.0.4，jdk：1.7.0_25 64bit。

mahout算法源码分析之Collaborative Filtering with ALS-WR 这个算法的并行主要就应该是ParallelALSFactorizationJob这里的并行了，下图是这个Job的大部分操作：

这里分析并行就是看每个job任务是否可以出现多个map或者reduce即可。

（1）首先分析前面三个itemRatings，对应的输入是原始文件，如果原始文件很大的话，那么这个任务可以建立多个mapper和reducer；这个是没有问题的；

（2）第二个userRatings，这个输入是前面itemRatings的输出，如果前面的输出太大的话，那么这个userRatings的输入mapper个数也可以多个；

（3）第三个averageRatings，这个输入同样是前面的itemRatings的输出，那么分析就和userRatings一样了，同样可以并行；

（4）其实最主要的就是这个for循环了，如果这个可以并行，那么就全部都可以并行了。看到这里的itemRatings输入，所以for循环里面的第二个job不用考虑是否可以并行了，肯定是可以了。那么第一个userRatings呢？当然如果userRatings输出数据很多的话，那么这个job同样是可以并行化的。所以当数据很大的时候就会产生多个mapper（默认64M一个mapper），那么就可以并行了。但是这里有个问题，就是当数据很大的时候，其中的U和M不会很大么，这两个是要放入内存的，太大的话肯定是会影响程序运行效率的。那么就拿movie数据来对比分析下：原始数据的trainingSet是9.92M，得到的itemRatings是8.67M，得到的userRatings是7.92M，得到的M矩阵是633K，得到的U矩阵是1.01M。所以对于U矩阵来说当原始数据比较大的时候，这个矩阵也是比较大的，放入内存中也不是很适合，同时这里的numFeature设置为20，如果这个参数设置为50的话，那么U和M就会更大，这个要是要考虑的。mahout官网上说这个算法由于含有循环，所以性能不够好。

其实这里还有一个比较简单的方法来测试for循环阶段建立多个mapper，建立下面的代码：

package mahout.fansy.als.test;

import mahout.fansy.als.ParallelALSFactorizationJobFollow;

public class TestParallelALSFactorizationJobFollow {

	/**
	 * 测试ParallelALSFactorizationJobFollow
	 * 看是否在for循环里面得到两个mapper？
	 * @throws Exception 
	 */
	public static void main(String[] args) throws Exception {
		String[] arg=new String[]{"-jt","ubuntu:9001","-fs","ubuntu:9000",
				"-i","hdfs://ubuntu:9000/test/input/user_item",
				"-o","hdfs://ubuntu:9000/test2/output",
				"--lambda","0.065","--numFeatures","3","--numIterations","3",
				"--tempDir","hdfs://ubuntu:9000/test2/temp"
		};
		ParallelALSFactorizationJobFollow.main(arg);
	}

}

同时，把hadoop集群的hadoop-core-1.0.4.jar 更新下，使用 http://download.csdn.net/detail/fansy1990/6375301这里的类进行如下更新：

注意路径，这个自己新建即可。

然后直接运行上面的测试程序，就可以在50030界面看到两个mapper的job了，如下：

总体来说，这个算法的性能应该不如itembased collaborative filtering 算法，所以，下个mahout算法源码分析系列就分析 itembased collaborative filtering。

分享，成长，快乐

转载请注明blog地址：http://blog.csdn.net/fansy1990