Mahout推荐算法分为以下几大类
GenericUserBasedRecommender
算法：
1.基于用户的相似度
2.相近的用户定义与数量
特点：
1.易于理解
2.用户数较少时计算速度快
GenericItemBasedRecommender
算法：
1.基于item的相似度
特点：
1.item较少时就算速度更快
2.当item的外部概念易于理解和获得是非常有用
SlopeOneRecommender（itemBased）
算法：
1基于SlopeOne算法（打分差异规则）
特点
速度快
需要预先计算
当item数目十分少了也很有效
需要限制diffs的存储数目否则内存增长太快
SVDRecommender （item-based）
算法
基于支持向量机（item的特征以向量表示，每个维度的评价值）
特点
需要预计算
推荐效果佳
KnnItemBasedRecommender （item-based）
类似于GenericUserBasedRecommender 中基于相似用户的实现（基于相似的item）
与GenericItemBasedRecommender 的主要区别是权重方式计算的不同（but, the weights are not the results of some similarity metric. Instead, the algorithm calculates the optimal set of weights to use between all pairs of items=>看的费劲）
TreeClusteringRecommender
算法
基于树形聚类的推荐算法
特点
用户数目少的时候非常合适
计算速度快
需要预先计算
基于模型的推荐算法、基于满意度得推荐算法（未实现）
Mahout中的数据输入
DataModel
以下包含
GenericDataModel
数据接口类 基于内存
内部使用FastByIDMap 保存PreferenceArray，在PreferenceArray内保存用户->Item的评价值
GenericBooleanPrefDataModel.
基于内存的数据接口类
但是无用户偏好值
使用FastByIDMap<FastIDSet>为用户或者Item保存相关的Item或者用户。
FileDataModel
基于文件的数据接口内，内部使用GenericDataModel 保存实际的用户评价数据
增加了压缩文件（.zip .gz）等文件类型的支持
支持动态更新（更新文件文件名必须保存为一定的格式 例如 foo.txt.gz 后续更新文件必须为foo.1.txt.gz）
查了以下代码 好像是自定义时间间隔后可以更新，但是好像是全部更新（以后看代码）
JDBCDataModel
基于数据库的数据接口 目前已经实现MySQLJDBCDataModel（支持MySQL 5.x）可以使用MysqlDataSource生成MySQLJDBCDataModel
注：0.7版本里面没有找到MySQLJDBCDataModel类多了一个MySQLJDBCIDMigrator
不知道关系如何
PlusAnonymousUserDataModel.
用于匿名用户推荐的数据类 将全部匿名用户视为一个用户（内部包装其他的DataModel类型）
Mahout中的相似度计算
主要按照基于User，基于Item等
GenericItemSimilarity包含内部类GenericItemSimilarity.ItemItemSimilarity
GenericUserSimilarity包含内部类GenericUserSimilarity.UserUserSimilarity
以内存方式保存相似度计算结果 使用FastByIDMap<FastByIDMap<Double>>保存计算结果
CachingItemSimilarity
CachingUserSimilarity
以cache方式保存相似度计算结果防止每次请求是重复计算
内部使用 Cache<LongPair,Double> similarityCache保存相似度
与GenericUserSimilarity用法和区别暂时看不懂
Mathout中实现的基于不同算法相似度度量的：
PearsonCorrelationSimilarity 皮尔逊距离
EuclideanDistanceSimilarity 欧几里德距离
CosineMeasureSimilarity 余弦距离（0.7变成了UncenteredCosineSimilarity）
SpearmanCorrelationSimilarity 斯皮尔曼等级相关
TanimotoCoefficientSimilarity 谷本相关系数
LogLikelihoodSimilarity 一般好于TanimotoCoefficientSimilarity（不懂）
CityBlockSimilarity基于曼哈顿距离
相似度使用的典型用法
UserSimilarity similarity = new CachingUserSimilarity(
new SpearmanCorrelationSimilarity(model), model);
对缺失数据的处理
PreferenceInferrer 数据丢失或者数据太少时可能用到 具体实现有 AveragingPreferenceInferrer 以平均值填充缺失数据
一般来说PreferenceInferrer除了增加计算量对推荐结果无任何影响（缺失值根据已有数据得出）所以一般只用于研究领域。
聚类的相似度
ClusterSimilarity
聚类的相似度用于两个不同的聚类之间的距离（类似坐标系内的距离）
目前聚类之间的距离计算只包含以下两个实现（暂时没有更好的实现算法）
NearestNeighborClusterSimilarity 计算两个聚类中所有项距离中的最小距离
FarthestNeighborClusterSimilarity 计算两个聚类中所有项距离中的最大距离
