一：下载软件包

     下载链接：

1 http://mirrors.hust.edu.cn/apache/mahout/0.9/

二：解压文件

tar -zxvf  mahout-distribution-0.9-src.tar.gz -C /usr/share/
tar -zxvf  mahout-distribution-0.9.tar.gz  -C /usr/share/

三：编译源码

    1.cd /usr/share/mahout-distribution-0.9-src

    2.打补丁:下载补丁文件，然后使用patch命令打补丁

Wget https://issues.apache.org/jira/secure/attachment/12629768/1329.patch 
patch -p0 < 1329.patch

    3.编译

 1 mvn clean package -Dhadoop.profile=200 -Dhadoop.2.version=2.2.0 -Dhbase.version=0.68.0-hadoop2 -DskipTests 

四：替换jar包

      用刚编译的jar文件替换(/usr/share/mahout-distribution-0.9)目录下的jar,共6个。

推荐器实现类在：

org.apache.mahout.cf.taste.Hadoop.item.RecommenderJob。其输入数据放在默认输入目录下，使用mapred.input.dir参数指定的输入数据，是userID,itemID[,preferencevalue]值对形成的文本文件。可以有多个文件存放在该目录下。

运行时相关参数如下：

numRecommendations：为每个用户产生的推荐个数 "Number of recommendations per user"

usersFile：包含待推荐用户的用户ID列表；

itemsFile：包含待推荐项目的项目ID列表；

filterFile：用来做推荐过滤的训练文件，内容为使用逗号分隔的userID,itemID对，

booleanData：不带推荐值的训练数据文件；

maxPrefsPerUser：Maximum number of preferences considered per user in final recommendation phase；

minPrefsPerUser：ignore users with less preferences than this in the similarity computation ；   maxSimilaritiesPerItem：Maximum number of similarities considered per item；

maxurrencesPerItem：try to cap the number of urrences per item to this;

similarityClassname：Name of distributed similarity class to instantiate, alternatively use one of the predefined similarities，可用的相似度类有：

 SIMILARITY_URRENCE(DistributedurrenceVectorSimilarity.class),

 SIMILARITY_EUCLIDEAN_DISTANCE(DistributedEuclideanDistanceVectorSimilarity.class),

 SIMILARITY_LOGLIKELIHOOD(DistributedLoglikelihoodVectorSimilarity.class),

 SIMILARITY_PEARSON_CORRELATION(DistributedPearsonCorrelationVectorSimilarity.class),

 SIMILARITY_TANIMOTO_COEFFICIENT(DistributedTanimotoCoefficientVectorSimilarity.class),

 SIMILARITY_UNCENTERED_COSINE(DistributedUncenteredCosineVectorSimilarity.class),

 SIMILARITY_UNCENTERED_ZERO_ASSUMING_COSINE(DistributedUncenteredZeroAssumingCosineVectorSimilarity.class),

 SIMILARITY_CITY_BLOCK(DistributedCityBlockVectorSimilarity.class);

RecommendJob运行一系列MR任务，在开发时，可以根据自己的需要进行改写。但是RecommendJob申明成final，这个比较头疼。

1.itemIDIndex 任务：

map：解析输入的itemsFile；将长整型的ID通过算法映射到整形的序号上，以便后续处理。由于处理中涉及到矩阵计算，每一个项目对应矩阵中的一个维度，所以必须处理成整形；产生序号-ID值对；

reducer：对序号-ID对进行验证，产生序号-ID值对；

2.toUserVector任务：

ToItemPrefsMapper：从filterFile中读取偏好信息，转成用户-偏好值对。

ToUserVectorReducer：将用户-偏好*，转成用户-偏好矢量对，矢量表即为所有的ItemID。

3.countUsers 任务：计算用户数量，输出为用户数量--空。

4.maybePruneAndTransponse，一个名称很奇怪的任务。

MaybePruneRowsMapper:输入为任务2的输出，生成针对每个item项目的推荐值矩阵单元，即Item序号和矩阵单元的值对。

ToItemVectorsReducer：输出为矩阵行号（即Item序号）-矩阵行矢量

5. RowSimilarityJob: 计算相似度矩阵：这是引用一个现有的任务来完成计算，输入为任务4输出的矩阵；输出为相似度矩阵，即item-相似度矢量。其中相似度矢量是当前item和其他item的相似度值形成的矢量。

6. prePartialMultiply1：输入为任务5的输出，将相似度矩阵中的对角线行，即（N,N）数值设置为Double.NaN,为后续计算做准备；

7. prePartialMultiply2：输入为任务2的输出，将user-（项目矢量），拆分成item-(userId, 推荐值)对。如果设置了usersFile，则仅处理usersFile中指定的用户。

8. partialMultiply: 合并任务6和7的额输出，变成item-(相似度矢量、userId、推荐值) 对。

9. itemFiltering：如果有filterFile,则处理filterFile文件，转换成item-(相似度矢量、userId、推荐值)对。其中相似度矢量的值为0；

aggregateAndRecommend：将8和9的输出合并作为输入，

PartialMultiplyMapper: 将item-(相似度矢量、userId、推荐值)集转换成userId-(推荐值，相似度矢量)值对；

AggregateAndRecommendReducer：汇总map输出，产生userId-（(itemId, 推荐值)列表）值对，其中(itemId, 推荐值)列表是按照推荐度来排序，如果maxPrefsPerUser、minPrefsPerUser、maxurrencesPerItem，则只产 生符合条件的userId值对。