推薦器實現(xiàn)類在：
org.apache.mahout.cf.taste.Hadoop.item.RecommenderJob。其輸入數(shù)據(jù)放在默認輸入目錄下，使用mapred.input.dir參數(shù)指定的輸入數(shù)據(jù)，是userID,itemID[,preferencevalue]值對形成的文本文件。可以有多個文件存放在該目錄下。
運行時相關(guān)參數(shù)如下：
numRecommendations：為每個用戶產(chǎn)生的推薦個數(shù) "Number of recommendations per user"
usersFile：包含待推薦用戶的用戶ID列表；
itemsFile：包含待推薦項目的項目ID列表；
filterFile：用來做推薦過濾的訓練文件，內(nèi)容為使用逗號分隔的userID,itemID對，
booleanData：不帶推薦值的訓練數(shù)據(jù)文件；
maxPrefsPerUser：Maximum number of preferences considered per user in final recommendation phase；
minPrefsPerUser：ignore users with less preferences than this in the similarity computation ； maxSimilaritiesPerItem：Maximum number of similarities considered per item；
maxurrencesPerItem：try to cap the number of urrences per item to this;
similarityClassname：Name of distributed similarity class to instantiate, alternatively use one of the predefined similarities，可用的相似度類有：
SIMILARITY_URRENCE(DistributedurrenceVectorSimilarity.class),
SIMILARITY_EUCLIDEAN_DISTANCE(DistributedEuclideanDistanceVectorSimilarity.class),
SIMILARITY_LOGLIKELIHOOD(DistributedLoglikelihoodVectorSimilarity.class),
SIMILARITY_PEARSON_CORRELATION(DistributedPearsonCorrelationVectorSimilarity.class),
SIMILARITY_TANIMOTO_COEFFICIENT(DistributedTanimotoCoefficientVectorSimilarity.class),
SIMILARITY_UNCENTERED_COSINE(DistributedUncenteredCosineVectorSimilarity.class),
SIMILARITY_UNCENTERED_ZERO_ASSUMING_COSINE(DistributedUncenteredZeroAssumingCosineVectorSimilarity.class),
SIMILARITY_CITY_BLOCK(DistributedCityBlockVectorSimilarity.class);
RecommendJob運行一系列MR任務(wù)，在開發(fā)時，可以根據(jù)自己的需要進行改寫。但是RecommendJob申明成final，這個比較頭疼。
1.itemIDIndex 任務(wù)：
map：解析輸入的itemsFile；將長整型的ID通過算法映射到整形的序號上，以便后續(xù)處理。由于處理中涉及到矩陣計算，每一個項目對應矩陣中的一個維度，所以必須處理成整形；產(chǎn)生序號-ID值對；
reducer：對序號-ID對進行驗證，產(chǎn)生序號-ID值對；
2.toUserVector任務(wù)：
ToItemPrefsMapper：從filterFile中讀取偏好信息，轉(zhuǎn)成用戶-偏好值對。
ToUserVectorReducer：將用戶-偏好*，轉(zhuǎn)成用戶-偏好矢量對，矢量表即為所有的ItemID。
3.countUsers 任務(wù)：計算用戶數(shù)量，輸出為用戶數(shù)量--空。
4.maybePruneAndTransponse，一個名稱很奇怪的任務(wù)。
MaybePruneRowsMapper:輸入為任務(wù)2的輸出，生成針對每個item項目的推薦值矩陣單元，即Item序號和矩陣單元的值對。
ToItemVectorsReducer：輸出為矩陣行號（即Item序號）-矩陣行矢量
5. RowSimilarityJob: 計算相似度矩陣：這是引用一個現(xiàn)有的任務(wù)來完成計算，輸入為任務(wù)4輸出的矩陣；輸出為相似度矩陣，即item-相似度矢量。其中相似度矢量是當前item和其他item的相似度值形成的矢量。
6. prePartialMultiply1：輸入為任務(wù)5的輸出，將相似度矩陣中的對角線行，即（N,N）數(shù)值設(shè)置為Double.NaN,為后續(xù)計算做準備；
7. prePartialMultiply2：輸入為任務(wù)2的輸出，將user-（項目矢量），拆分成item-(userId, 推薦值)對。如果設(shè)置了usersFile，則僅處理usersFile中指定的用戶。
8. partialMultiply: 合并任務(wù)6和7的額輸出，變成item-(相似度矢量、userId、推薦值) 對。
9. itemFiltering：如果有filterFile,則處理filterFile文件，轉(zhuǎn)換成item-(相似度矢量、userId、推薦值)對。其中相似度矢量的值為0；
aggregateAndRecommend：將8和9的輸出合并作為輸入，
PartialMultiplyMapper: 將item-(相似度矢量、userId、推薦值)集轉(zhuǎn)換成userId-(推薦值，相似度矢量)值對；
AggregateAndRecommendReducer：匯總map輸出，產(chǎn)生userId-（(itemId, 推薦值)列表）值對，其中(itemId, 推薦值)列表是按照推薦度來排序，如果maxPrefsPerUser、minPrefsPerUser、maxurrencesPerItem，則只產(chǎn) 生符合條件的userId值對。