请说明在 Apache Mahout 中，实现一个基于协同过滤的推荐系统通常需要哪些步骤？请具体描述其数据模型、相似度计算与推荐引擎的选择方式。

回答思路

1. 【回答框架 1】Mahout 中的协同过滤推荐基于用户-物品偏好数据，核心是构造 DataModel 来加载数据，常见实现如 FileDataModel 读取 CSV 格式的用户ID、物品ID、偏好值。数据需预处理为数值型偏好，缺失值可通过默认偏好处理。
2. 【回答框架 2】推荐引擎构建需选择用户相似度或物品相似度。常用 Pearson 相关系数、余弦相似度或 LogLikelihood 相似度。用户相似度适用于用户数较少的场景，物品相似度更稳定且适用于物品数少或用户多的情况。
3. 【回答框架 3】基于相似度选择邻居或使用 SlopeOne 等算法，Mahout 提供 UserBasedRecommender 和 ItemBasedRecommender。配置时需指定 NeighborCache 和相似度实现，例如使用 GenericUserSimilarity 和 NearestNUserNeighborhood。
4. 【回答框架 4】评估推荐质量可借助 Mahout 的评估工具，如 AverageAbsoluteDifferenceRecommenderEvaluator，通过训练集与测试集计算预测误差，或使用 IRStatistics 评估准确率与召回率。
5. 【关键点 1】核心步骤：加载数据为 DataModel，构建相似度矩阵，选择邻居数量，创建推荐引擎并输出 Top-N 推荐。
6. 【关键点 2】用户相似度和物品相似度各有适用场景，物品相似度通常更稳定且可离线计算。
7. 【关键点 3】Mahout 提供多种相似度实现，选择时需注意数据稀疏性和度量特性。
8. 【关键点 4】推荐效果需通过交叉验证或离线评估指标验证。
9. 【易错点 1】混淆基于用户与基于物品的协同过滤适用场景，用户数庞大时应优先考虑物品相似度。
10. 【易错点 2】忽略数据稀疏性对 Pearson 相关性的影响，可能导致无相似度或负相似度。
11. 【易错点 3】直接使用默认配置而不调整邻居数或相似度阈值，易造成推荐质量不佳。