我正在尝试使用 Mahout 对用户进行聚类和分类。在我处于计划阶段的那一刻，我的脑海里完全混杂着各种想法，而且由于我对这个领域比较陌生，所以我被困在数据格式上。

假设我们有两个数据表（足够大）。第一个表中有用户及其操作。每个用户至少有一个操作，他们也可以有太多的操作。表中有大约 10000 个不同的 user_actions 和数百万条记录。

user        - user_action
u1          - a
u2          - b
u3          - a
u1          - c
u2          - c
u2          - c
u1          - b
u4          - f
u4          - e
u1          - e
u1          - d
u5          - d

在另一个表中，有操作类别。每个动作可能没有或有多个类别。有60个类别。

user_action - category
a           - cat1
b           - cat2
c           - cat1
d           - NULL
e           - cat1, cat3
f           - cat4

我将尝试使用Mahout构建用户分类模型，但我不知道我应该做什么。我应该创建什么类型的用户向量？还是我真的需要用户向量？

我想我需要创造类似的东西；

u1 (a, c, b, e, d)
u2 (b, c, c)
u3 (a)
u4 (f, e)
u5 ()

问题在这里，一些用户执行了超过 100000 个操作（其中一些是相同的操作）

所以; 我认为这更有用；

u1 (cat1, cat1, cat2, cat1, cat3)
u2 (cat2, cat1, cat1)
u3 (cat1)
u4 (cat4, cat1, cat3)
u5 ()

我也担心的事情是

• 我应该如何为用户加权类别？比如 u1 至少有 3 个与 cat1 相关的 action，而 u3 只有 1 个。这应该不一样吧？
• 如何减少主动用户和被动用户之间的差异？就像 u1 有太多动作和类别一样，u3 只有 1 个。

欢迎任何指导。