mahout的taste框架是协同过滤算法的实现。它支持DataModel，如文件、数据库、NoSQL存储等，也支持hadoop的MapReduce。这里主要分析mahout0.5中的基于MR的实现。
基于MR的CF实现主要流程就在org.apache.mahout.cf.taste.hadoop.item.RecommenderJob类中（注意mahout有2个RecommendJob，要看清楚是哪一个包）。这 个类的run方法就包含了所有的步骤。从上到下，完整的其实有10步（中间计算item相似度其实拆分成了3个job，我们也当做是一个phase吧）。 也就是说，如果指定了所有的必要参数，运行一次item-based CF算法，会执行12个JOB，当然有的步骤是可以忽略的，下面会讲。以下就是详细的每一步骤的分析：
phase1: itemIDIndex
这步主要是将itemId转成一个int。这里设计上其实有点小问题，如果item的数量非常多，比如超过int的最大值，那就有可能会出现重合了。所以用long其实更为合适。而mahout之所以要做这一步看似无谓的转换，主要是因为它内部的许多变量如Vector之类的都是基于int的...
input:用户评分文件（这也是我们最原始的输入了），格式一般为：userId \t itemId \t score。注意输入必须是textfile的。可能是为了方便测试吧，mahout的很多包默认输入都是textfile格式的。
map:(index, itemId)
reduce: (index, itemId)
index为long类型的itemId对应的int值。
phase2: toUserVector
input:用户评分文件
param: --userBooleanData如果这个参数为true，则会忽略评分列，对于没有显式的评分的如购买数据，有时需要指这定这个值。
map: (userId, itemId, pref)
reduce: 以用户为key，输出成向量形式==> (userId, VectorWritable<itemId, pref>)。注意这里的ItemId是转成int的。
phase3: countUser，计算用户数
map: (userId)
reduce: 输出总用户数count
phase4: maybePruneAndTranspose
input: phase2的输出：userVector，即用户对宝贝的评分向量
param: --maxCooccurrences
map: (userId,Vector<itemId, pref>) ==>(itemId,DistributedRowMatrix<userId,pref>)，注意如果指定了—maxCooccurrences参数，这里会有裁剪，每个userId最多对maxCooccurrences的itemId打分。 这里的DistributedRowMatrix，分布式行矩阵：行：itemId,列：userId
reduce: (itemId, VectorWritable<userId,pref>)
这一步的结果，相当于对phase2做了个矩阵的转置，并且做了裁剪（如果需要裁剪的话）。
phase5: RowSimilarityJob
这一步比较关键，计算item相似度，它拆分成了三个JOB。
param:--numberOfColumns（用户数，phase3有计算）, --similarityClassname（相似度算法）,--maxSimilaritiesPerRow(计算item相似度时最多的用户数，默认:100)
job1:weight
input:phase4的输出
map: (itemId, VectorWritable <userId, pref>) ==>(userId, WeightedOccurrence<itemId, pref, weight>)
这里的weight，对于欧氏向量距离，或者Pearson距离等，均为Double.NaN，即无效；所以实际上如果只使用这些距离度量，这一步是可以忽略的（mahout没有忽略 -_-|| ）。在LoglikelihoodVectorSimilarity中有用到weight的值。
reduce:(userId, WeightedOccurrenceArray<itemId, pref, weight>)
看起来又是比较多余的一步，用了phase4的结果，最终输出的却是类似phase2的结果（如果weight不起作用的话）。唯一有用的是，phase4的结果做了裁剪了...
job2:pairwise similarity *item相似度计算*
map: 输入为job1的最终结果，对同一用户的所有item-rating，输出两两item之间的关系 ==>(WeightedRowPair<itemA, itemB, weightA, weightB>, coocurrence<userId,valueA, valueB>) 。同上，这里的权重weightA,B对于欧氏距离等可以忽略，如果忽略了权重，那么实际输出就是：(<itemA, itemB>, <userId, prefA, prefB>) 。
reduce: 在这端，以<itemA,itemB>为key聚合了来自不同map的所有用户的打分，最后输出itemA和B的对称相似度（即以itemA为key或以itemB为key）==>(SimilarityMatrixEntryKey<itemA,similarity>, MatrixEntryWritable<WeightedRowPair<itemA, itemB,weightA, weightB>>) ，(SimilarityMatrixEntryKey<itemB,similarity>, MatrixEntryWritable<WeightedRowPair<itemB, itemA,weightB, weightA>>)
这里补充一下相似度的计算，以item-based的Pearson相似度为例，公式如下：
计算两个不同的item i和j的相似度，需要知道item i和j的平均评分，以及所有用户分别对i和j的评分。由于在reduce端已经聚合了所有用户对i和j的评分，只需要应用公式，求出平均评分，就可以计算出这两个item的相似度。
job3:entries2vectors *汇总item的相似items*
param: --maxSimilaritiesPerRow
map: 输入为job2的item间相似度结果：(itemA, itemB, similarity) & (itemB,itemA, similarity)。 这里在group的时候按相似度降序做了排序，如果有--maxSimilaritiesPerRow参数，则会做裁剪。
reduce: (itemA, VectorWritable <item,similarity>)
结果输出了与itemA相似的items。
至此，item相似度计算完毕，接下来的步骤是开始预测评分了。
phase6: prePartialMultiply1
input: phase5的最后输出(即item相似度)
map: 直接输出item对应的相似items，这里用VectorOrPrefWritable做了封装，表明有可能是相似度向量，也有可能是对item的打分，并且对item为自己的，将相似度设为Double.NaN，以过滤自身。这一步输出结果为(itemId,VectorOrPrefWritable<item, similarity>)
reduce: IdentityReducer
phase7: prePartialMultiply2
input: phase2的输出userVectors
map: 输出：(itemId, VectorOrPrefWritable<userId, pref>)
这里默认考虑用户对10个item的评分，可以通过maxPrefsPerUserConsidered参数调整。
如果指定了usersFile，则在setup时会把所有的userId读入内存，用于过滤。如果map输入数据的userID不在usersFile中，则会被忽略。注意，这是mahout的设计bug，对于比较大的数据集，很有可能造成OOM（事实上在我的测试程序中已经出现OOM了…），这种bug下面还会出现。输出的是用户的评分，同phase6的VectorOrPrefWritable的封装。
reduce: IdentityReducer
phase8: partialMultiply
input: phase6和7的输出：prePartialMultiply1, prePartialMultiply2
map: Identity。由于6和7的输出的key均为itemId，因而在reduce端同一item的相似item以及对应的用户评分会聚合到一起。
reduce:(itemId, VectorAndPrefsWritable<similarityMatrix, List<userId>,List<pref>>) 没做特殊处理，直接合在一起，输出相似度矩阵、所有的userId及对item的打分。
phase9: itemFiltering
将过滤文件输出成<userId, itemId>。如果指定了--filterFile参数，则在最后的聚合推荐中会过滤userId对应的items。这一步在实际中多数是可以忽略的，只要不指定这个参数即可。
phase10: aggregateAndRecommend
回忆一下item-based的推荐，本质上就是计算item相似度，然后将与用户已评分的items最相似的未评分item推荐给用户（有点绕...）。通俗地来说就是，用户对item A已经有过评分，那么就会将与A最相似的item:B,C,D中，用户未曾评分的推荐给他。
reduce: 聚合了这个用户所有的评分历史，以及相似items，计算对该用户的推荐结果 ==> (userId, List<itemId>)。
注意在reduce的setup中，会将phase1产生的所有itemId到index的映射读入内存，这里只要Item数据集稍大，就会OOM。这是比较严重的设计bug。
事实上，如果item是正规的整数，而不是guid之类的，phase1和这一步的读入内存是完全可以略掉的。这样的话就完全可以在企业级的数据集上使用（我的测试数据集是15亿+的user-item-rating，1.5亿+的用户，在最后这一步挂掉了，前面所有phase都能跑成功）。
至此，已经形成了推荐结果，CF完成。
以上的所有步骤中，phase5的计算item相似度是最慢的，会产生大量的中间结果（这个其实也很直觉，O(N^2)的复杂度...）。
总体上，mahout有几处比较严重的设计问题，这么设计的主要原因，是很多内部的Writable，如VectorWritable，它们的Index都是int型的，所以如果要改，就会牵一发而动全身。
对于超大规模数据集，建议还是裁剪一下吧，distinct item过亿一般是会挂的，最好能够控制在千万的级别内。