七，共同好友。
在所有用户对中找出“共同好友”。
eg:
a b,c,d,g
b a,c,d,e
map（）-》 <a,b>,<b,c,d,g> ;<a,c>,<b,c,d,g>;.....
<a,b>,<a,c,d,e>
reduce()-> <a,b>,<c,d> 也就是a,b的共同好友是c,d。
上述就是思想。
八，使用MR实现推荐引擎
1.购买过该商品的顾客还购买了哪些商品。
这里，利用MR的两次迭代实现CWBTIAB功能。
阶段1：生成同一个用户购买的所有商品列表。分组由HAdoop框架处理，其中映射器和规约器都会完成一个恒等函数。
阶段2：解决列表商品的共现问题。使用Stripes(条纹)设计模式，只发出5个最常见的商品。
2.经常一起购买的商品（FBT）
3.推荐连接
解决方案(实现思路)：
