一个课的大作业，要做一个推荐系统，花了两天的时间，不过组里有同学之前做的推荐系统，这个就没有用上，算自己滴一种锻炼吧，以前都没有接触过这些。
很简单，直接用mahout里的taste引擎，用了里面提供的很多种算法。
等有时间了把分析补上。
注：slopeone算法在mahout0.9已经被移除，想用的用以前版本。
效果图：
获得结果：
源代码https://github.com/lanelane/Demo
数据集来源：
该数据集包含来自12,294个动漫的73,516个用户的用户偏好数据。每个用户都可以将动画添加到已完成的列表中并为其评分，该数据集把这些评级整理起来。
下载：https://www.kaggle.com/CooperUnion/anime-recommendations-database
————————————————————————————记录taste引擎做推荐系统的测试结果
只是用recommender获取推荐结果的时间，来源是csv文件
存一下某些测试结果。
一 基于内容
1 GenericItemBasedRecommender
参数(7,3)：
参数（2，4）：
参数（450，3）：
参数（1，4）
2 GenericBooleanPrefItemBasedRecommender
参数（450，3）：
参数（80，2）：
参数（1，4）：
3 ItemAverageRecommender
参数（80，2）：
参数（1200，2）；
参数（1，4）：
4 ItemUserAverageRecommender
参数（80，2）：
参数（1，4）：
5 SlopeOne
参数（1200，5）：
java.lang.OutOfMemoryError：GC overhead limit exceeded
内存溢出
SlopeOne初始化时计算所有的两个物品之间的评分均值。存在内存中（map：具体是FastByIDMap），这样，当要计算某个用户对某个未评分的商品的评分时，可以直接从内存中取均值。
所有导致 堆不够用啊啊啊
气死我了，不想加大内存，我决定放弃这个算法了
二 基于用户
1 GenericBooleanPrefUserBasedRecommender
参数（5，3）：
参数（18，2）：
参数（1，4）：
好快
2 GenericUserBasedRecommender
参数（5，3）：
没有推荐的结果！！
如果没有推荐的结果，可以让用户用另一个推荐器
参数（18，2）：
参数（64995，2）：
参数（1，4）：
三 基于Model
1 SVDRecommender
参数（80，2）：
参数（1，4）：
