上一篇博客中，详细介绍了UserCF和ItemCF，ItemCF，就是通过用户的历史兴趣，把两个物品关联起来，这两个物品，可以有很高的相似度，也可以没有联系，比如经典的沃尔玛
的啤酒尿布案例。通过ItemCF，能能够真正实现个性化推荐，最大限度地挖掘用户的需求。在购物网站和电子商务，图书中，应用特别广泛。需要维护物品相似度表。spark的MLlib中，
有FP-Growth树挖掘物品的相关度，应用很多。关于FP-Growth树的介绍，有很多博文，不详细说了。他相对于Apriori算法，做了很大的改进，大大降低了时间复杂度。构建FP-Growth
树的过程，还需要维护一个头表（链表），用来存储频繁项集的前缀路径。下面的一张图，可以说明：

从FP-Growth增长树中挖掘出频繁项集后，比如：啤酒3 鸡肉2 果汁2 | 尿布3，设置了minConf（最小置信度）后，当用户（或者是一个新用户）购买了尿布时，可以给他推荐啤酒，鸡肉。下面的代码，说明了这一原理：

package com.txq.spark.test

/**
* Created by ACER on 2016/11/22.
*/
case class ItemFreq(val item:String,val freq:Double) {

}

package com.txq.spark.test

import java.util.concurrent.ConcurrentHashMap
import org.apache.spark.mllib.fpm.FPGrowth
import org.apache.spark.{SparkConf, SparkContext}
import scala.collection._

/**
* Created by ACER on 2016/11/20.
*/
object Test1 {
System.setProperty("hadoop.home.dir", "D://hadoop-2.6.2");
val conf = new SparkConf().setMaster("local").setAppName("testFP-Growth");
val sc = new SparkContext(conf);

var freqMap = new ConcurrentHashMap[mutable.ArrayBuffer[String],mutable.ArrayBuffer[ItemFreq]]();//捆绑推销(key值为用户购买的历史商品)
val items = new ConcurrentHashMap[Long,mutable.ArrayBuffer[String]]()//用户购买的历史商品
val minSupport = 0.5//最小支持度
val minConf = 0.75//最小置信度
var freq = 0L//用户历史商品出现的次数
var li = mutable.ArrayBuffer[ItemFreq]()
def main(args: Array[String]): Unit = {
//1.加载过去一段时间，大量用户购买的商品，数据源为商品列表，训练FP-Growth模型
val data = sc.textFile("D://fp.txt").map(_.split(" ")).cache()
val count = data.count()
val fpg = new FPGrowth().setMinSupport(minSupport).setNumPartitions(3)
val model = fpg.run(data)

//2.输出所有频繁项集  
val result = model.freqItemsets.filter(\_.items.size >= 1)  
result.foreach(f => println(f.items.mkString(" ")+"->"+f.freq))

//3.获取用户id，并得到历史商品  
val userId = args(0).toLong  
var bucket:mutable.ArrayBuffer\[String\] = items.get(userId.toLong)  
if(bucket == null){  
  bucket = new mutable.ArrayBuffer\[String\]()  
  for(i <- 1 until args.length){  
    bucket += (args(i))  
  }  
}  
items.put(userId,bucket)//收集用户购买的历史商品  
for(item <- result){  
  //4.在模型中找出与用户的历史商品相符合的频繁项集,得到频率  
  if(item.items.mkString == items.get(userId).mkString){  
    freq = item.freq  
  }  
}  
println("历史商品出现的次数：" + freq)//调试信息(输出用户历史商品的支持度)  
//5.根据历史商品，找出置信度相对高的频繁项，推荐给用户

for(f <- result){  
  if(f.items.mkString.contains(items.get(userId).mkString) && f.items.size > items.get(userId).size) {  
    val conf:Double = f.freq.toDouble / freq.toDouble  
    if(conf >= minConf) {  
      //找出所有置信度大于minConf的项  
      var item = f.items  
      for (i <- 0 until items.get(userId).size) {  
        item = item.filter(\_ != items.get(userId)(i)) //过滤掉用户历史商品，剩下的为推荐的商品  
      }  
      for (str <- item) {  
       li += ItemFreq(str, conf)  
      }  
    }  
  }  
}  
freqMap.put(items.get(userId),li);  
println("推荐的商品为：")  
freqMap.get(items.get(userId)).foreach(f =>println(f.item + "->" + f.freq))  

}
}
挖掘出的频繁项集：
尿布->3
尿布 啤酒->3

果汁->4

鸡肉->4
鸡肉 果汁->3

啤酒->4
啤酒 鸡肉->3
啤酒 果汁->3

历史商品出现的次数：4

推荐的商品为：
鸡肉->0.75
啤酒->0.75

测试文件为：
果汁 鸡肉
鸡肉 啤酒 鸡蛋 尿布
果汁 啤酒 尿布 可乐
果汁 鸡肉 啤酒 尿布
鸡肉 果汁 啤酒 可乐