作為一個(gè)協(xié)同過(guò)濾推薦引擎，Taste 包含下列基本要素。

1. 用戶(hù)：即上圖中的 User，Taste 組件依據(jù)用戶(hù)的偏好信息向用戶(hù)進(jìn)行推薦。
2. 推薦項(xiàng)：即上圖中的 Item，每個(gè)用戶(hù)都會(huì)對(duì)多個(gè) Item 進(jìn)行偏好設(shè)定，比如打分。
3. 偏好：即上圖中的 Preference，每一條偏好數(shù)據(jù)記錄的都是某個(gè)用戶(hù)對(duì)某個(gè) Item 的偏好程度。

從上面可以看出，偏好信息是推薦系統(tǒng)的基礎(chǔ)，它總是以某種形式進(jìn)行存儲(chǔ)，即圖中的 DataModel 和 Data Store。另外，原始的偏好信息可能并不能表示用戶(hù)確切的偏好。舉個(gè)例子，對(duì)于 5 分制的評(píng)分系統(tǒng)來(lái)說(shuō)，有些人可能無(wú)論自己多么不喜歡，給的最低的評(píng)分都可能是 2 分，并不是 1 分；另外一些人則可能正相反，最喜歡的也就給 4 分。還有一種情況，對(duì)于一個(gè) Item，給它評(píng)分的用戶(hù)越少，通常那些用戶(hù)越“相似”（我們可以理解為嗜好相同）；如果評(píng)價(jià)的用戶(hù)特別多，這些用戶(hù)之間的相似度反而不好判斷，對(duì)這類(lèi)偏 好信息通常可以直接忽略。為了解決諸如此類(lèi)的問(wèn)題，我們需要對(duì)那些原始的偏好數(shù)據(jù)進(jìn)行處理，使數(shù)據(jù)標(biāo)準(zhǔn)化、差異擴(kuò)大化，以求能夠較真實(shí)地反應(yīng)用戶(hù)的偏好信 息，這正是圖中 PreferenceTransform 要做的工作。
經(jīng)過(guò)以上處理，我們就得到了一個(gè) DataModel，一個(gè)已經(jīng)標(biāo)準(zhǔn)化了的用戶(hù)偏好信息。

對(duì)于 User-Based Recommender 來(lái)說(shuō)，下一步，我們就是要找出與目標(biāo)用戶(hù)相似的“鄰居”（Neighborhood）了。
首先要做的是得到描述目標(biāo)用戶(hù)和其它用戶(hù)之間關(guān)系的集合（Correlation），然后從中選擇最相似的用戶(hù)。生成Correlation時(shí)，會(huì)指定一 個(gè)推斷規(guī)則（PreferenceInferrer），用來(lái)描述用戶(hù)對(duì)那些自己沒(méi)有明確表明過(guò)偏好的 Item 的偏好值。在計(jì)算用戶(hù)相似度方面，Taste 提供了皮爾森相關(guān)系數(shù)（Person Correlation Coefficient）、余弦相似性（Cosine-based Similarity）相似度算法。有了最近鄰的用戶(hù)集合，就可以對(duì)目標(biāo)用戶(hù)的興趣進(jìn)行預(yù)測(cè)，生成推薦結(jié)果。

上面我們結(jié)合圖描述了一個(gè)典型的 User-Based Recommender 的實(shí)現(xiàn)過(guò)程?？偨Y(jié)并提取其中的重要對(duì)象，如下。

1、Recommender
Recommender 是 Taste 中的核心對(duì)象。給定一個(gè) DataModel，Recommender 就可以生成生成對(duì)應(yīng)的推薦結(jié)果。通常情況下，你只需要簡(jiǎn)單的選擇使用 GenericUserBasedRecommender 或者是 GenericItemBasedRecommender 這兩個(gè) Recommender 接口的具體實(shí)現(xiàn)即可。另外，還可以通過(guò) CachingRecommender 包裝使用他們，以提升效率。

2、DataModel
DataModel 是包裝用戶(hù)偏好信息的接口。它的具體實(shí)現(xiàn)可以從任何數(shù)據(jù)源獲取這些信息，當(dāng)然，數(shù)據(jù)庫(kù)通常是最常見(jiàn)的選擇之一。盡管很多應(yīng)用程序想編寫(xiě)一個(gè)他們自己的 DataModel，但其實(shí) Taste 已經(jīng)提供了一個(gè) MysSqlJDBCDataModel，可以經(jīng)由 JDBC 從數(shù)據(jù)庫(kù)中獲取偏好數(shù)據(jù)。另外，Taste 也提供了一個(gè)基于文件的 FileDataModel。
連同 DataModel 一起，Taste 使用 User、Item 和 Preference 這些概念來(lái)描述用戶(hù)、推薦項(xiàng)和針對(duì)推薦項(xiàng)的偏好。自定義的 DataModel 應(yīng)該實(shí)現(xiàn)這些接口以和應(yīng)用程序匹配－－比如一個(gè) OnlineUser 代表網(wǎng)上商店的用戶(hù)，一個(gè) BookItem 代表一本書(shū)。

3、PreferenceTransform
PreferenceTransform 以某種方式改變偏好的值，通常是將其標(biāo)準(zhǔn)化，或者將其差異擴(kuò)大化。PreferenceTransform 大多數(shù)情況下與 DataModel 一起使用。

4、UserCorrelation, ItemCorrelation
UserCorrelation 定義兩個(gè)用戶(hù)之間相似的程度。這是推薦系統(tǒng)中至關(guān)重要的一個(gè)部份，與 Neighborhood 的實(shí)現(xiàn)相關(guān)。
ItemCorrelation 也是類(lèi)似的，只不過(guò)它用來(lái)描述兩個(gè) Item 之間的相似度。

5、Neighborhood
在一個(gè) User-Based 推薦系統(tǒng)中，推薦的意思就是去尋找與給定用戶(hù)相似的“鄰居”。UserNeighborhood 描述了如何去選擇那些“鄰居”――比如，最相似的10個(gè)用戶(hù)。具體實(shí)現(xiàn)時(shí)通常需要對(duì) UserCorrelation 進(jìn)行操作。

轉(zhuǎn)載在：http://my.donews.com/clickstone/category/推薦系統(tǒng)/