|
Taste 有着非常清晰的程序架构。看图说话，下面就是一个 User-based Recommender 的例图，说明了各个组件之间的关系。而对于一个 Item-based Recommender，除了不需要使用 PreferenceInferrer 和 Neighborhood 之外，和下图描述的基本架构是非常类似的。 |
作为一个协同过滤推荐引擎，Taste 包含下列基本要素。
- 用户：即上图中的 User，Taste 组件依据用户的偏好信息向用户进行推荐。
- 推荐项：即上图中的 Item，每个用户都会对多个 Item 进行偏好设定，比如打分。
- 偏好：即上图中的 Preference，每一条偏好数据记录的都是某个用户对某个 Item 的偏好程度。
从上面可以看出，偏好信息是推荐系统的基础，它总是以某种形式进行存储，即图中的 DataModel 和 Data Store。另外，原始的偏好信息可能并不能表示用户确切的偏好。举个例子，对于 5 分制的评分系统来说，有些人可能无论自己多么不喜欢，给的最低的评分都可能是 2 分，并不是 1 分；另外一些人则可能正相反，最喜欢的也就给 4 分。还有一种情况，对于一个 Item，给它评分的用户越少，通常那些用户越“相似”（我们可以理解为嗜好相同）；如果评价的用户特别多，这些用户之间的相似度反而不好判断，对这类偏 好信息通常可以直接忽略。为了解决诸如此类的问题，我们需要对那些原始的偏好数据进行处理，使数据标准化、差异扩大化，以求能够较真实地反应用户的偏好信 息，这正是图中 PreferenceTransform 要做的工作。
经过以上处理，我们就得到了一个 DataModel，一个已经标准化了的用户偏好信息。
对于 User-Based Recommender 来说，下一步，我们就是要找出与目标用户相似的“邻居”（Neighborhood）了。
首先要做的是得到描述目标用户和其它用户之间关系的集合（Correlation），然后从中选择最相似的用户。生成Correlation时，会指定一 个推断规则（PreferenceInferrer），用来描述用户对那些自己没有明确表明过偏好的 Item 的偏好值。在计算用户相似度方面，Taste 提供了皮尔森相关系数（Person Correlation Coefficient）、余弦相似性（Cosine-based Similarity）相似度算法。有了最近邻的用户集合，就可以对目标用户的兴趣进行预测，生成推荐结果。
上面我们结合图描述了一个典型的 User-Based Recommender 的实现过程。总结并提取其中的重要对象，如下。
1、Recommender
Recommender 是 Taste 中的核心对象。给定一个 DataModel，Recommender 就可以生成生成对应的推荐结果。通常情况下，你只需要简单的选择使用 GenericUserBasedRecommender 或者是 GenericItemBasedRecommender 这两个 Recommender 接口的具体实现即可。另外，还可以通过 CachingRecommender 包装使用他们，以提升效率。
2、DataModel
DataModel 是包装用户偏好信息的接口。它的具体实现可以从任何数据源获取这些信息，当然，数据库通常是最常见的选择之一。尽管很多应用程序想编写一个他们自己的 DataModel，但其实 Taste 已经提供了一个 MysSqlJDBCDataModel，可以经由 JDBC 从数据库中获取偏好数据。另外，Taste 也提供了一个基于文件的 FileDataModel。
连同 DataModel 一起，Taste 使用 User、Item 和 Preference 这些概念来描述用户、推荐项和针对推荐项的偏好。自定义的 DataModel 应该实现这些接口以和应用程序匹配－－比如一个 OnlineUser 代表网上商店的用户，一个 BookItem 代表一本书。
3、PreferenceTransform
PreferenceTransform 以某种方式改变偏好的值，通常是将其标准化，或者将其差异扩大化。PreferenceTransform 大多数情况下与 DataModel 一起使用。
4、UserCorrelation, ItemCorrelation
UserCorrelation 定义两个用户之间相似的程度。这是推荐系统中至关重要的一个部份，与 Neighborhood 的实现相关。
ItemCorrelation 也是类似的，只不过它用来描述两个 Item 之间的相似度。
5、Neighborhood
在一个 User-Based 推荐系统中，推荐的意思就是去寻找与给定用户相似的“邻居”。UserNeighborhood 描述了如何去选择那些“邻居”――比如，最相似的10个用户。具体实现时通常需要对 UserCorrelation 进行操作。