本文共 454 字，大约阅读时间需要 1 分钟。
Mahout有很多推荐的实现，各有特点，在这里一并记录。 GenericUserBasedRecommender： 基于用户的推荐，用户数量相对较少时速度较快。 GenericItemBasedRecommender：基于物品的推荐，物品数量较少时速度较快，外部提供了物品相似度数据后会更加有效率。 SlopeOneRecommender：基于slope-one算法（想想那个填空的表格吧）的推荐，在线推荐或更新比较快，需要先下大量的预处理运算。物品数量相对较少时使用比较合适。 SVDRecommender：效果不错，和slope-one一样，事先需要大量的预处理运算。 KnnItemBasedRecommender：基于最近邻算法的推荐器，物品数量较小时表现良好。 TreeClusteringRecommender：基于聚类的推荐器，在线推荐较快，同时也需要事先大量预处理运算，用户数量相对较少时表现良好。 转载于:https://my.oschina.net/liangtee/blog/97744
