Mahout中的推荐算法主要有：User-based Recommender, Item-based Recommender和Slope-One Recommender。
1. User-based Recommender
该算法的主要思想是：与用户u最相似的用户喜欢的商品有很大可能也是用户u喜欢的商品。
1
对于用户u的每一个没有preference的商品i
2
对于每一个对商品i有preference的用户v
3
计算用户u与v的相似性s
//
实际上无需在线计算，可以事先计算好存储起来
4
将用户v对于商品i的preference，乘以s，加到用户u对商品i的预测preference的平均值
5
返回用户u的平均值最高的几个商品作为推荐商品。
上述算法需要穷举每个商品i，导致计算非常非常慢。可以实现计算好某个用户u的所有的邻居(记为集合n)，然后，再为用户u做推荐时，只需要考虑用户u的邻居的所有有preference的商品即可，而无需考虑所有商品，算法如下：
1
对于每个其他的用户w
2
计算用户u与用户w之间的相似度s
3
返回用户u的相似度最高的几个用户，记为用户u的邻居n
4
//
上述步骤可以离线完成，类似于索引
5
对于用户u的每个u本身没有preference，但是u的邻居n中某个用户有preference的商品i
6
对于每个对商品i有preference的用户u的邻居v
7
计算用户u与v的相似度
//
其实无需在线计算，可以提前计算好，存储起来
8
将用户v对于商品i的preference，乘以s，加到用户u对商品i的预测preference的平均值
2. Item-based Recommender
该算法的主要思想是：喜欢商品i的用户u，有很大可能性会喜欢和商品i很相似的其他商品
1
对于用户u的每个没有preference的商品i
2
对于每个用户u有preference的商品j
3
计算商品i与j的相似度s
4
把用户u对商品j的preference，乘以s，加到用户u对商品i的preference的平均值
5
返回用户u的平均值最高的几个商品作为推荐商品
3. Slope-One Recommender
首先计算每两个商品之间preference差值的平均值
1
对于某个商品i
2
对于某个商品j
3
对于每个对商品i和j都有preference的用户u
4
将用户u对商品i和商品j的preference的差值加到所有用户对商品i和商品j的差值的平均值当中去
推荐
1
对于用户u的每个没有preference的商品i
2
对于用户u的每个有preference的商品j
3
取得商品i和商品j的preference差值的平均值diff
4
将diff加上u对商品j的preference的和加入用户u对商品i的preference的平均值当中去
5
返回用户u的预测preference最高的几个商品作为推荐
[1] Mahout in Action
