请说明在 Apache Mahout 中，基于协同过滤（Collaborative Filtering）构建个性化推荐系统的具体实现步骤与核心组件。
考察说明
考查对 Mahout 协同过滤推荐引擎的掌握程度，包括数据模型、算法选择与评估流程。
回答思路
- 【回答框架 1】Mahout 推荐系统基于用户-物品偏好数据，核心组件包括 DataModel、UserSimilarity、ItemSimilarity、UserNeighborhood 和 Recommender。DataModel 负责加载偏好数据，常用 FileDataModel 读取 CSV 文件，每行包含用户ID、物品ID、偏好值。
- 【回答框架 2】协同过滤分为基于用户（User-Based）和基于物品（Item-Based）两类。基于用户需计算用户相似度（如 Pearson 相关系数、余弦相似度），再通过 UserNeighborhood 选取最近邻，最后用 GenericUserBasedRecommender 生成推荐；基于物品则计算物品相似度，使用 GenericItemBasedRecommender，适合物品数远小于用户数的场景。
- 【回答框架 3】实现步骤：先准备偏好数据文件，创建 DataModel；然后选择相似度算法并配置 Neighborhood；接着实例化 Recommender；最后调用 recommend(userId, topN) 获取推荐结果。评估可使用 AverageAbsoluteDifferenceRecommenderEvaluator 计算评分预测误差，或使用 IRStatistics 评估推荐命中率。
- 【回答框架 4】实际应用中需处理数据稀疏和冷启动问题，可结合 SlopeOne 或 SVD 等算法，并注意相似度计算的性能优化，如使用 LogLikelihoodSimilarity 处理隐式反馈。
- 【关键点 1】Mahout 推荐流程为 DataModel -> Similarity -> Neighborhood -> Recommender。
- 【关键点 2】基于用户适合社交场景，基于物品适合物品数少且稳定的场景。
- 【关键点 3】评估推荐质量需使用 RecommenderEvaluator 和 IRStatistics。
- 【关键点 4】冷启动与稀疏数据是协同过滤的主要挑战。