今天看了一眼，发现前面两篇界面实在太粗糙，内容太肤浅，自己都看不下去。实在对不起，刚开始写博客，有点当随手的笔记用。以后写东西多用用心，对人对己都有好处，毕竟是资源。
推荐算法可以用于电子商务等诸多领域。那么首先来解释一下什么是推荐算法。
比如对当今风靡的网购来说，顾客CutomerA购买了物品ItemA两件，同时购买了物品ItemB和ItemC各一件，顾客CustomerB也购买了物品ItemB和ItemC各两件，那么阿里巴巴通过数据挖掘就可以发现顾客CustomerA和CustomerB在物品ItemB和ItemA上的共性需求，那么CustomerB极有可能也会对CustomerA购买了两件的ItemA感兴趣，甚至这就是他即将想要购买的，于是淘宝就会将ItemA的系列产品推荐给顾客CustomerA，希望满足CustomerA的期待，让其方便快捷的购买商品，达到顾客商家双赢的商业目的。
同样的道理，在警务系统中，警员也可以通过政府独有的巨大数据库对罪犯A最近半年活动的省市地区、乘坐交通工具的路线及班次、住宿的宾馆旅店、银行账户的金融流动信息、电话电脑网络的通信等等系列数据进行有效的总结和分析，将无序无结构的数据处理成有效有结构的数据，从而就可以得到一些特征information,那么我们就可以用这些information为从参考对相关嫌疑人进行匹配搜索。就像上一个例子中一样，具有相同爱好倾向习惯的人更有可能在某些未知的方面也是相同的，那么就将这些人有系统推荐给警务人员，用来缩小嫌疑犯的范围，或者用来寻找可能存在的尚且未知的嫌疑犯。
通过上面的例子，显然，通过对大数据的搜索从而找到数据之间的共性和联系，从而对一些未知的事情给予帮助以及判断，就是推荐算法的目的。并且我们发现，在寻找推荐的时候，数据越多，得到的匹配应该越准确，即精度越高。这就是Mahout的推荐算法在这个大数据时代走红的必然原因了，考虑到运用到云平台上的广阔前景，推荐算法已经成为了十分重要又基础的技术。目前，协同过滤推荐算法是应用最为成功的一种。目前主要有两类协同过滤算法：基于用户的协同过滤算法 & 基于项目的协同过滤算法。
1、基于用户的协同过滤算法
基于用户的协同过滤基于这样一个假设，即如果用户对一些项目的评分比较相似，则他们对其他项目的评分也比较相似。算法根据目标用户最近的邻居（最相似的若干用户）对某个项目的评分来逼近目标用户对该相同项目的评分。
即：在CustomerAll集合（CustomerAll = { CustomerA，CustomerB，... ，CustomerN }）中用所有的数据库中数据匹配的方法搜索出一个CustomerA的数据集DataSetA（DataSetA = {Data1，Data2，... ，DataN}）最相似，即匹配度最高的集合CustomerGet，其中的Customer项可能不唯一，然后就可以根据这个CustomerGet中的各个Customeri对某一项Datai的评分来推测出，其实是预测出CustomerA对该项CustomerA.Datai的评分。
2、基于项目的协同过滤算法
基于项目的协同过滤算法认为用户对不同项目的评分存在相似性，当需求估计用户对某个项目的评分时，可以使用用户对该项目的若干相似项目的评分进行评分的估值。
即：在Customer的数据集DataSet（DataSetA = {Data1，Data2，... ，DataN}）中，每一个Datai都存在相应的Scorei，则当用户需要寻找对某个DataSet中项目的Datai.Scorei的时候，就寻找出与Datai各方面数据最相似的集合DataGet，DataGet中的项目不唯一，可能有Datax,Datay等等，从而通过对Datax.Scorex，Datay.Scorey等评分来估测出Datai.Scorei的评分。
