我在尝试使用Mahout，并开始构建所有内容并查看示例。我主要对协同过滤感兴趣，所以我从BookCrossing数据集的推荐示例开始。我成功地让所有内容都运行起来，样本没有错误。然而，输出看起来像这样：

INFO: Creating FileDataModel for file /tmp/taste.bookcrossing.INFO: Reading file info...INFO: Read lines: 433647INFO: Processed 10000 usersINFO: Processed 20000 usersINFO: Processed 30000 usersINFO: Processed 40000 usersINFO: Processed 50000 usersINFO: Processed 60000 usersINFO: Processed 70000 usersINFO: Processed 77799 usersINFO: Beginning evaluation using 0.9 of BookCrossingDataModelINFO: Processed 10000 usersINFO: Processed 20000 usersINFO: Processed 22090 usersINFO: Beginning evaluation of 4245 usersINFO: Starting timing of 4245 tasks in 2 threadsINFO: Average time per recommendation: 296msINFO: Approximate memory used: 115MB / 167MBINFO: Unable to recommend in 1 casesINFO: Average time per recommendation: 67msINFO: Approximate memory used: 107MB / 167MBINFO: Unable to recommend in 2363 casesINFO: Average time per recommendation: 72msINFO: Approximate memory used: 146MB / 167MBINFO: Unable to recommend in 5095 casesINFO: Average time per recommendation: 71msINFO: Approximate memory used: 113MB / 167MBINFO: Unable to recommend in 7596 casesINFO: Average time per recommendation: 71msINFO: Approximate memory used: 130MB / 167MBINFO: Unable to recommend in 10896 casesINFO: Evaluation result: 1.0895580110095793

当我检查代码时，我可以看到它做了以下操作：

RecommenderIRStatsEvaluator evaluator = new GenericRecommenderIRStatsEvaluator();File ratingsFile = TasteOptionParser.getRatings(args);DataModel model =    ratingsFile == null ? new BookCrossingDataModel(true) : new BookCrossingDataModel(ratingsFile, true);IRStatistics evaluation = evaluator.evaluate(    new BookCrossingBooleanRecommenderBuilder(),    new BookCrossingDataModelBuilder(),    model,    null,    3,    Double.NEGATIVE_INFINITY,    1.0);log.info(String.valueOf(evaluation));

这看起来是正确的，但我希望看到更多关于生成的建议和/或相似性的详细信息。返回的对象是IRStatistics类型，它只暴露了一些关于结果统计的数字。我应该在其他地方寻找吗？这个推荐器不是用来获取实际推荐的吗？

回答：

你实际上并没有生成推荐，这里你只是在进行评估。

《Mahout实战》书中的这个示例（链接）应该能让你了解如何实际获取推荐。

该示例仅为一个用户请求推荐，在你的情况下，你需要遍历所有用户并获取每个用户的推荐，然后你决定如何处理这些推荐，比如将它们输出到文件中。

此外，该示例没有使用数据模型构建器或推荐器构建器，但通过查看方法签名，你应该不难弄明白如何使用它们。