共計(jì) 1228 個(gè)字符，預(yù)計(jì)需要花費(fèi) 4 分鐘才能閱讀完成。

這期內(nèi)容當(dāng)中丸趣 TV 小編將會(huì)給大家?guī)?lái)有關(guān) mahout 技術(shù)的示例分析，文章內(nèi)容豐富且以專業(yè)的角度為大家分析和敘述，閱讀完這篇文章希望大家可以有所收獲。

 // 首先獲得用戶本人自己借過(guò)的所有書
 PreferenceArray preferencesFromUser = getDataModel().getPreferencesFromUser(userID);
 // 以下獲得讀者借過(guò)的書, 其他也借過(guò)那些書的，取那些讀者借閱過(guò)的所有書，作為候選物品
 FastIDSet possibleItemsIDs = new FastIDSet();
 for (long itemID : preferredItemIDs) { PreferenceArray itemPreferences = dataModel.getPreferencesForItem(itemID);
 int numUsersPreferringItem = itemPreferences.length();
 for (int index = 0; index   numUsersPreferringItem; index++) { possibleItemsIDs.addAll(dataModel.getItemIDsFromUser(itemPreferences.getUserID(index)));
 }
 }
 possibleItemsIDs.removeAll(preferredItemIDs);
 // 將所有的候選物品，與讀者借閱過(guò)的每一本書，做相似度計(jì)算
 double[] similarities = getSimilarity().itemSimilarities(itemID, preferencesFromUser.getIDs());
 boolean foundAPref = false;
 double totalSimilarity = 0.0;
 for (double theSimilarity : similarities) { if (!Double.isNaN(theSimilarity)) {
 foundAPref = true;
 totalSimilarity += theSimilarity;
 }
 }
 return foundAPref ? (float) totalSimilarity : Float.NaN;
 // 之后取相似度最高的 10 本書，返回
 List RecommendedItem  topItems = TopItems.getTopItems(howMany, possibleItemIDs.iterator(), rescorer,
 estimator);

上述就是丸趣 TV 小編為大家分享的 mahout 技術(shù)的示例分析了，如果剛好有類似的疑惑，不妨參照上述分析進(jìn)行理解。如果想知道更多相關(guān)知識(shí)，歡迎關(guān)注丸趣 TV 行業(yè)資訊頻道。