我们正在使用Mahout来获取UserBased和ItemBased推荐。我们使用的文件数据模型包含userId和itemId的映射(没有以任何形式排序)，Tanimoto系数相似度和genericboolean prefitbaseedrecommender，
DataModel dataModel = new FileDataModel("/FilePath");
_itemSimilarity = new TanimotoCoefficientSimilarity(dataModel);
_recommender = new CachingRecommender(new GenericBooleanPrefItemBasedRecommender(dataModel,_itemSimilarity));
我们也有一个恢复器来过滤掉一些结果，我们调用推荐器的内置推荐方法，
_recommender.recommend(userID, howMany, _rescorer);
我们有大约20万用户，5.5万产品和大约400万个用户-产品偏好条目。我们面临的问题是，用户第一次调用推荐方法需要大约300-400ms才能返回推荐的项目列表，根据我们的需求，这不是一个可行的选择。我正在寻找一些优化技术，有人在mahout上使用，或者可能是如果有人在给定的方法上实现了自己的推荐方法，或者如果我们应该在向数据文件添加某种排序后传递数据。我们试图将推荐时间控制在100ms左右。任何建议都会很有帮助的。
您最好的选择是查看CandidateItemStrategy，以进一步限制考虑的可能性。看到:
GenericUserBasedRecommender在Mahout中的候选策略