Mahout实战

内容概要

Sean Owen

现为大数据公司Cloudera数据产品总监，Myrrix创始人，曾任Apache Mahout项目管理委员会委员、谷歌高级软件工程师，是Mobile Web和Taste框架（现属于Mahout项目）的主力开发者。Owen拥有哈佛大学计算机科学专业学士学位。

Robin Anil

谷歌公司负责地图与广告方向的软件工程师，Apache Mahout项目管理委员会委员，为Mahout开发了贝叶斯分类器和频繁模式挖掘实现，曾经在雅虎公司任高级软件工程师。

Ted Dunning

MapR Technologies公司首席应用架构师，Apache Mahout和Zookeeper项目管理委员会成员，为Mahout聚类、分类、矩阵分解算法做出了贡献，曾任DeepDyve公司CTO及多家公司首席科学家。

Ellen Friedman

Apache Mahout项目代码提交者，生物化学博士学位，经验丰富的科技作家，作品涵盖计算机、分子生物学、医学和地球科学。

书籍目录

第1章　初识Mahout　　1

1.1 　Mahout的故事　　1

1.2 　Mahout的机器学习主题　　2

1.2.1 　推荐引擎　　2

1.2.2 　聚类　　3

1.2.3 　分类　　4

1.3 　利用Mahout和Hadoop处理大规模数据　　4

1.4 　安装Mahout　　6

1.4.1 　Java和IDE　　6

1.4.2 　安装Maven　　7

1.4.3 　安装Mahout　　7

1.4.4 　安装Hadoop　　8

1.5 　小结　　8

第一部分 　推荐

第2章　推荐系统　　10

2.1 　推荐的定义　　10

2.2 　运行第一个推荐引擎　　11

2.2.1 　创建输入　　11

2.2.2 　创建一个推荐程序　　13

2.2.3 　分析输出　　14

2.3 　评估一个推荐程序　　14

2.3.1 　训练数据与评分　　15

2.3.2 　运行RecommenderEvaluator　　15

2.3.3 　评估结果　　16

2.4 　评估查准率与查全率　　17

2.4.1 　运行RecommenderIRStats-Evaluator　　17

2.4.2 　查准率和查全率的问题　　19

2.5 　评估GroupLens数据集　　19

2.5.1 　提取推荐程序的输入　　19

2.5.2 　体验其他推荐程序　　20

2.6 　小结　　20

第3章　推荐数据的表示　　21

3.1 　偏好数据的表示　　21

3.1.1 　Preference对象　　21

3.1.2 　PreferenceArray及其实现　　22

3.1.3 　改善聚合的性能　　23

3.1.4 　FastByIDMap和FastIDSet　　23

3.2 　内存级DataModel　　24

3.2.1 　GenericDataModel　　24

3.2.2 　基于文件的数据　　25

3.2.3 　可刷新组件　　25

3.2.4 　更新文件　　26

3.2.5 　基于数据库的数据　　26

3.2.6 　JDBC和MySQL　　27

3.2.7 　通过JNDI进行配置　　27

3.2.8 　利用程序进行配置　　28

3.3 　无偏好值的处理　　29

3.3.1 　何时忽略值　　29

3.3.2 　无偏好值时的内存级表示　　30

3.3.3 　选择兼容的实现　　31

3.4 　小结　　33

第4章　进行推荐　　34

4.1 　理解基于用户的推荐　　34

4.1.1 　推荐何时会出错　　34

4.1.2 　推荐何时是正确的　　35

4.2 　探索基于用户的推荐程序　　36

4.2.1 　算法　　36

4.2.2 　基于GenericUserBased-Recommender实现算法　　36

4.2.3 　尝试GroupLens数据集　　37

4.2.4 　探究用户邻域　　38

4.2.5 　固定大小的邻域　　39

4.2.6 　基于阈值的邻域　　39

4.3 　探索相似性度量　　40

4.3.1 　基于皮尔逊相关系数的相似度　　40

4.3.2 　皮尔逊相关系数存在的问题　　42

4.3.3 　引入权重　　42

4.3.4 　基于欧氏距离定义相似度　　43

4.3.5 　采用余弦相似性度量　　43

4.3.6 　采用斯皮尔曼相关系数基于相对排名定义相似度　　44

4.3.7 　忽略偏好值基于谷本系数计算相似度　　45

4.3.8 　基于对数似然比更好地计算相似度　　46

4.3.9 　推测偏好值　　47

4.4 　基于物品的推荐　　47

4.4.1 　算法　　48

4.4.2 　探究基于物品的推荐程序　　49

4.5 　Slope-one推荐算法　　50

4.5.1 　算法　　50

4.5.2 　Slope-one实践　　51

4.5.3 　DiffStorage和内存考虑　　52

4.5.4 　离线计算量的分配　　53

4.6 　最新以及试验性质的推荐算法　　53

4.6.1 　基于奇异值分解的推荐算法　　53

4.6.2 　基于线性插值物品的推荐算法　　54

4.6.3 　基于聚类的推荐算法　　55

4.7 　对比其他推荐算法　　56

4.7.1 　为Mahout引入基于内容的技术　　56

4.7.2 　深入理解基于内容的推荐算法　　57

4.8 　对比基于模型的推荐算法　　57

4.9 　小结　　57

第5章　让推荐程序实用化　　59

5.1 　分析来自约会网站的样本数据　　59

5.2 　找到一个有效的推荐程序　　61

5.2.1 　基于用户的推荐程序　　61

5.2.2 　基于物品的推荐程序　　62

5.2.3 　slope-one推荐程序　　63

5.2.4 　评估查准率和查全率　　63

5.2.5 　评估性能　　64

5.3 　引入特定域的信息　　65

5.3.1 　采用一个定制的物品相似性度量　　65

5.3.2 　基于内容进行推荐　　66

5.3.3 　利用IDRescorer修改推荐结果　　66

5.3.4 　在IDRescorer中引入性别　　67

5.3.5 　封装一个定制的推荐程序　　69

5.4 　为匿名用户做推荐　　71

5.4.1 　利用PlusAnonymousUser-DataModel处理临时用户　　71

5.4.2 　聚合匿名用户　　73

5.5 　创建一个支持Web访问的推荐程序　　73

5.5.1 　封装WAR文件　　74

5.5.2 　测试部署　　74

5.6 　更新和监控推荐程序　　75

5.7 　小结　　76

第6章　分布式推荐　　78

6.1 　分析Wikipedia数据集　　78

6.1.1 　挑战规模　　79

6.1.2 　分布式计算的优缺点　　80

6.2 　设计一个基于物品的分布式推荐算法　　81

6.2.1 　构建共现矩阵　　81

6.2.2 　计算用户向量　　82

6.2.3 　生成推荐结果　　82

6.2.4 　解读结果　　83

6.2.5 　分布式实现　　83

6.3 　基于MapReduce实现分布式算法　　83

6.3.1 　MapReduce简介　　84

6.3.2 　向MapReduce转换：生成用户向量　　84

6.3.3 　向MapReduce转换：计算共现关系　　85

6.3.4 　向MapReduce转换：重新思考矩阵乘　　87

6.3.5 　向MapReduce转换：通过部分乘积计算矩阵乘　　87

6.3.6 　向MapReduce转换：形成推荐　　90

6.4 　在Hadoop上运行MapReduce　　91

6.4.1 　安装Hadoop　　92

6.4.2 　在Hadoop上执行推荐　　92

6.4.3 　配置mapper和reducer　　94

6.5 　伪分布式推荐程序　　94

6.6 　深入理解推荐　　95

6.6.1 　在云上运行程序　　95

6.6.2 　考虑推荐的非传统用法　　97

6.7 　小结　　97

第二部分 　聚类

第7章　聚类介绍　　100

7.1 　聚类的基本概念　　100

7.2 　项目相似性度量　　102

7.3 　Hello World：运行一个简单的聚类示例　　103

7.3.1 　生成输入数据　　103

7.3.2 　使用Mahout聚类　　104

7.3.3 　分析输出结果　　107

7.4 　探究距离测度　　108

7.4.1 　欧氏距离测度　　108

7.4.2 　平方欧氏距离测度　　108

7.4.3 　曼哈顿距离测度　　108

7.4.4 　余弦距离测度　　109

7.4.5 　谷本距离测度　　110

7.4.6 　加权距离测度　　110

7.5 　在简单示例上使用各种距离测度　　111

7.6 　小结　　111

第8章　聚类数据的表示　　112

8.1 　向量可视化　　113

8.1.1 　将数据转换为向量　　113

8.1.2 　准备Mahout所用的向量　　115

8.2 　将文本文档表示为向量　　116

8.2.1 　使用TF-IDF改进加权　　117

8.2.2 　通过n-gram搭配词考察单词的依赖性　　118

8.3 　从文档中生成向量　　119

8.4 　基于归一化改善向量的质量　　123

8.5 　小结　　124

第9章　Mahout中的聚类算法　　125

9.1 　k-means聚类　　125

9.1.1 　关于k-means你需要了解的　　126

9.1.2 　运行k-means聚类　　127

9.1.3 　通过canopy聚类寻找最佳k值　　134

9.1.4 　案例学习：使用k-means对新闻聚类　　138

9.2 　超越k-means: 聚类技术概览　　141

9.2.1 　不同类型的聚类问题　　141

9.2.2 　不同的聚类方法　　143

9.3 　模糊k-means聚类　　145

9.3.1 　运行模糊k-means聚类　　145

9.3.2 　多模糊会过度吗　　147

9.3.3 　案例学习：用模糊k-means对新闻进行聚类　　148

9.4 　基于模型的聚类　　149

9.4.1 　k-means的不足　　149

9.4.2 　狄利克雷聚类　　150

9.4.3 　基于模型的聚类示例　　151

9.5 　用LDA进行话题建模　　154

9.5.1 　理解LDA　　155

9.5.2 　对比TF-IDF与LDA　　156

9.5.3 　LDA参数调优　　156

9.5.4 　案例学习：寻找新闻文档中的话题　　156

9.5.5 　话题模型的应用　　158

9.6 　小结　　158

第10章　评估并改善聚类质量　　160

10.1 　检查聚类输出　　160

10.2 　分析聚类输出　　162

10.2.1 　距离测度与特征选择　　163

10.2.2 　簇间与簇内距离　　163

10.2.3 　簇的混合与重叠　　166

10.3 　改善聚类质量　　166

10.3.1 　改进文档向量生成过程　　166

10.3.2 　编写自定义距离测度　　169

10.4 　小结　　171

第11章　将聚类用于生产环境　　172

11.1 　Hadoop下运行聚类算法的快速入门　　172

11.1.1 　在本地Hadoop集群上运行聚类算法　　173

11.1.2 　定制Hadoop配置　　174

11.2 　聚类性能调优　　176

11.2.1 　在计算密集型操作中避免性能缺陷　　176

11.2.2 　在I/O密集型操作中避免性能缺陷　　178

11.3 　批聚类及在线聚类　　178

11.3.1 　案例分析：在线新闻聚类　　179

11.3.2 　案例分析：对维基百科文章聚类　　180

11.4 　小结　　181

第12章　聚类的实际应用　　182

12.1 　发现Twitter上的相似用户　　182

12.1.1 　数据预处理及特征加权　　183

12.1.2 　避免特征选择中的常见陷阱　　184

12.2 　为Last.fm上的艺术家推荐标签　　187

12.2.1 　利用共现信息进行标签推荐　　187

12.2.2 　构建Last.fm艺术家词典　　188

12.2.3 　将Last.fm标签转换成以艺术家为特征的向量　　190

12.2.4 　在Last.fm数据上运行k-means算法　　191

12.3 　分析Stack Overflow数据集　　193

12.3.1 　解析Stack Overflow数据集　　193

12.3.2 　在Stack Overflow中发现聚类问题　　193

12.4 　小结　　194

第三部分 　分类

第13章　分类　　198

13.1 　为什么用Mahout做分类　　198

13.2 　分类系统基础　　199

13.2.1 　分类、推荐和聚类的区别　　201

13.2.2 　分类的应用　　201

13.3 　分类的工作原理　　202

13.3.1 　模型　　203

13.3.2 　训练、测试与生产　　203

13.3.3 　预测变量与目标变量　　204

13.3.4 　记录、字段和值　　205

13.3.5 　预测变量值的4种类型　　205

13.3.6 　有监督学习与无监督学习　　207

13.4 　典型分类项目的工作流　　207

13.4.1 　第一阶段工作流：训练分类模型　　208

13.4.2 　第二阶段工作流：评估分类模型　　212

13.4.3 　第三阶段工作流：在生产中使用模型　　212

13.5 　循序渐进的简单分类示例　　213

13.5.1 　数据和挑战　　213

13.5.2 　训练一个模型来寻找颜色填充：初步设想　　214

13.5.3 　选择一个学习算法来训练模型　　215

13.5.4 　改进填充颜色分类器的性能　　217

13.6 　小结　　221

第14章　训练分类器　　222

14.1 　提取特征以构建分类器　　222

14.2 　原始数据的预处理　　224

14.2.1 　原始数据的转换　　224

14.2.2 　一个计算营销的例子　　225

14.3 　将可分类数据转换为向量　　226

14.3.1 　用向量表示数据　　226

14.3.2 　用Mahout API做特征散列　　228

14.4 　用SGD对20 Newsgroups数据集进行分类　　231

14.4.1 　开始：数据集预览　　231

14.4.2 　20 Newsgroups数据特征的解析和词条化　　234

14.4.3 　20 Newsgroups数据的训练代码　　234

14.5 　选择训练分类器的算法　　238

14.5.1 　非并行但仍很强大的算法：SGD和SVM　　239

14.5.2 　朴素分类器的力量：朴素贝叶斯及补充朴素贝叶斯　　239

14.5.3 　精密结构的力量：随机森林算法　　240

14.6 　用朴素贝叶斯对20 Newsgroups数据分类　　241

14.6.1 　开始：为朴素贝叶斯提取数据　　241

14.6.2 　训练朴素贝叶斯分类器　　242

14.6.3 　 测试朴素贝叶斯模型　　242

14.7 　小结　　244

第15章　分类器评估及调优　　245

15.1 　Mahout中的分类器评估　　245

15.1.1 　获取即时反馈　　246

15.1.2 　确定分类“好”的含义　　246

15.1.3 　认识不同的错误代价　　247

15.2 　分类器评估API　　247

15.2.1 　计算AUC　　248

15.2.2 　计算混淆矩阵和熵矩阵　　250

15.2.3 　计算平均对数似然　　252

15.2.4 　模型剖析　　253

15.2.5 　20 Newsgroups语料上SGD分类器的性能指标计算　　254

15.3 　分类器性能下降时的处理　　257

15.3.1 　目标泄漏　　258

15.3.2 　特征提取崩溃　　260

15.4 　分类器性能调优　　262

15.4.1 　问题调整　　262

15.4.2 　分类器调优　　265

15.5 　小结　　267

第16章　分类器部署　　268

16.1 　巨型分类系统的部署过程　　268

16.1.1 　理解问题　　269

16.1.2 　根据需要优化特征提取过程　　269

16.1.3 　根据需要优化向量编码　　269

16.1.4 　部署可扩展的分类器服务　　270

16.2 　确定规模和速度需求　　270

16.2.1 　多大才算大　　270

16.2.2 　在规模和速度之间折中　　272

16.3 　对大型系统构建训练流水线　　273

16.3.1 　获取并保留大规模数据　　274

16.3.2 　非规范化及下采样　　275

16.3.3 　训练中的陷阱　　276

16.3.4 　快速读取数据并对其进行编码　　278

16.4 　集成Mahout分类器　　282

16.4.1 　提前计划：集成中的关键问题　　283

16.4.2 　模型序列化　　287

16.5 　案例：一个基于Thrift的分类服务器　　288

16.5.1 　运行分类服务器　　292

16.5.2 　访问分类器服务　　294

16.6 　小结　　296

第17章　案例分析——Shop It To Me　　297

17.1 　Shop It To Me选择Mahout的原因　　297

17.1.1 　Shop It To Me公司简介　　298

17.1.2 　Shop It To Me需要分类系统的原因　　298

17.1.3 　对Mahout向外扩展　　298

17.2 　邮件交易系统的一般结构　　299

17.3 　训练模型　　301

17.3.1 　定义分类项目的目标　　301

17.3.2 　按时间划分　　303

17.3.3 　避免目标泄漏　　303

17.3.4 　调整学习算法　　303

17.3.5 　特征向量编码　　304

17.4 　加速分类过程　　306

17.4.1 　特征向量的线性组合　　307

17.4.2 　模型得分的线性扩展　　308

17.5 　小结　　310

附录A 　JVM调优　　311

附录B 　Mahout数学基础　　313

附录C 　相关资源　　318

索引　　320

作者简介

通过收集数据来学习和演进的计算机系统威力无穷。Mahout作为Apache的开源机器学习项目，把推荐系统、分类和聚类等领域的核心算法浓缩到了可扩展的现成的库中。使用Mahout，你可以立即在自己的项目中应用亚马逊、Netflix及其他互联网公司所采用的机器学习技术。

本书出自Mahout核心成员之手，得到Apache官方推荐，权威性毋庸置疑。作者凭借多年实战经验，为读者展现了丰富的应用案例，并细致地介绍了Mahout的解决之道。本书还重点讨论了可扩展性问题，介绍了如何利用Apache Hadoop框架应对大数据的挑战。

本书内容：

•
利用分组数据实现个性化推荐；

•
寻找数据中的逻辑簇；

•
通过即时分类实现过滤与调优。

 Mahout实战下载