Mahout

摘要： 本文针对现有习题系统题目搜索手段的不足,提出了构建基于协同过滤算法的习题系统。着重介绍了协同过滤算法的相关知识,详细阐述了推荐引擎的具体实现步骤。此系统在分析用户历史行为及题目相关性的基础上,可为用户提供精准和个性化的推荐结果,对提高学生的学习效率起到了积极的作用。

摘要： Mahout虽然是Hadoop的一个子项目,其与Hadoop1.x版本集成比较容易,但其在与Hadoop2.0以上版本进行集成时会碰到一些问题.本文首先介绍了Mahout与Hadoop关系,然后介绍了在Hadoop分布式环境下实现K-Means聚类算法的步骤及伪代码,并以Mahout的K-means聚类算法为例,通过详细的步骤讲解了其在Hadoop2.0上如何集成,并通过实际的代码案例对该聚类算法进行了应用和实现.

摘要： 本文通过设计个性化音乐推荐系统,丰富音乐资源发现途径,来应对用户无法快速方便的找到自己喜欢的音乐的问题.本系统利用Apache Mahout框架,通过规范化Yahoo音乐数据集的历史数据,采用基于用户的协同过滤推荐算法,使用皮尔逊相似度计算相似性,生成个性化音乐推荐,并通过前台页面呈现给用户.但是系统存在数据稀疏性问题,未能对算法进行改进.

摘要： 传统的协同过滤推荐((Collaborative Filtering,CF)算法是目前应用最广泛的一种推荐算法,但是由于CF存在稀疏性、冷启动等问题,所以本文提出了基于mahout的CF算法.结果表明,相比较传统的两种CF算法,使用基于mahout的CF算法能够提升推荐时间和推荐精度.

摘要： 在信息时代,企业营销的重点从产品转变为客户,客户资源逐渐成为航空公司的核心竞争力之一.客户工作的关键是按照客户特征进行客户分群,针对不同价值的客户制定个性化营销策略,优化资源配置以实现公司产投比的最大化.本文采用LRFMC模型对客户进行分群,针对航空公司常旅客人员多、 数据大的特点,提供了一种以大数据为基础的解决方案.首先,在大数据平台上使用Sqoop将数据从关系型数据库中导入Hive,然后使用HiveQL对数据进行清洗、 规约、 转换,继而使用大数据的挖掘工具Mahout对数据进行聚类分析和结果评估,最后在K-means算法的基础上提出了多种优化的手段,从而提升聚类质量以达到理想的分群效果.

摘要： 本发明提供一种基于Mahout的机器学习服务组装方法，其特征在于，包括以下步骤：步骤S1：将不同格式的数据进行预处理；步骤S2：进行模型训练；步骤S3：对模型进行评估；步骤S4：将算子进行统一的封装；步骤S5：根据用户描述的所要使用的机器学习方法以及要进行处理的数据的格式，组装机器学习工作流路径；步骤S6：当这些机器学习工作流在通过Oozie在Hadoop平台上运行结束之后，每一条工作流的模型评估算子将会给出工作流的评估结果；用户根据此评估结果，选择机器学习工作流。与现有技术相比，本发明能够快速有效地定制和调优可复用的机器学习流程，从而能够高效的在Hadoop平台上进行数据挖掘工作。

摘要： 本发明提供一种基于Mahout的机器学习服务组装方法，其特征在于，包括以下步骤：步骤S1：将不同格式的数据进行预处理；步骤S2：进行模型训练；步骤S3：对模型进行评估；步骤S4：将算子进行统一的封装；步骤S5：根据用户描述的所要使用的机器学习方法以及要进行处理的数据的格式，组装机器学习工作流路径；步骤S6：当这些机器学习工作流在通过Oozie在Hadoop平台上运行结束之后，每一条工作流的模型评估算子将会给出工作流的评估结果；用户根据此评估结果，选择机器学习工作流。与现有技术相比，本发明能够快速有效地定制和调优可复用的机器学习流程，从而能够高效的在Hadoop平台上进行数据挖掘工作。