mahout 中的大多数推荐算法都需要用户项目偏好。但我想为给定的项目找到类似的项目。我的系统没有用户输入。即对于任何电影，这些都可以是可用于查找相似系数的属性
演员
属性列表将来可以修改以构建更高效的系统。但是要在 mahout 数据模型中找到每个项目的用户偏好项的相似性是必需的。这些电影可以聚集在一起，并在给定项目上获得最接近的项目。 稍后在引入基于用户的推荐之后，上述结果可用于提升结果。
如果产品属性有一些固定值，如流派。我是否必须将这些值转换为数值。如果是，系统将如何计算类型 1 和类型 2 没有任何数字关系的两个项目之间的距离。
编辑：
我从命令行中找到了一些示例，但我想在 java 中执行此操作并保存预先计算的值以供以后使用。
【问题讨论】：
标签： mahout recommendation-engine mahout-recommender
我认为在特征向量的情况下，最好的相似度度量是精确匹配的度量，例如 Jaccard 相似度。
在jaccard中，两个item向量的相似度计算为：
相交中的特征数/联合中的特征数。
因此，将类型转换为数值不会产生影响，因为精确匹配（用于查找交集）在非数值中是相同的。
看看这个问题如何在mahout中做到这一点：
【讨论】：
听起来 Mahout 的 spark-rowsimilarity 算法（从 0.10.0 版开始可用）将是您问题的完美解决方案。它比较给定矩阵的行（即：表示电影及其属性的行向量），寻找这些行中值的共现 - 或者在您的情况下：流派、导演和演员的共现。无需用户历史记录或项目交互。最终结果是另一个矩阵，根据流派、导演或演员的同时出现，将您的每部电影映射到您收藏中最相似的前 n 部电影。
Apache Mahout site 有一篇关于如何从命令行执行此操作的精彩文章，但如果您想更深入地了解幕后发生的事情，请阅读 Pat Ferrel 的机器学习博客 Occam's Machete。他将这种相似性称为内容或元数据相似性。
【讨论】：