我已经在flink上做了一段时间的ml，我正在做大量的侦察工作，我在监视这个生态系统中发生了什么。你所问的问题意味着项目之间的合理协调根本不存在。算法一次又一次地被重新实现，在我看来，这样做比与不同的框架集成更容易。轮回它实际上是一个最便携的解决方案，但它只是好几个应用程序。
是不是来自mahout.apache.org的这些算法被弃用了，它们正在被迁移到flink/spark mllib，这样flink/spark mllib的ml库和支持就会增长？
正如我所说，这将需要项目之间的协调，这不是一件事。
flink/spark mllib更像是一个引擎还是引擎+算法库，对算法有很好的支持？
在一个理想的生态系统中，它们应该是第一件事，但它们将继续为商业目的构建自己的ml库：具有现成ml库的计算引擎非常畅销。实际上，我一直在flink ml上工作，不是因为我认为这是在flink上实现ml的最好方法，而是因为，现在，flink需要在许多环境中销售它。
@pferrel建议predictionio是一个优秀的软件，但有许多替代品正在开发中：例如beam正在设计一个机器学习api来概括不同运行者的实现（flink、spark、h2o等等）。另一种选择是数据分析平台，如knime、rapidminer等，它们可以在spark或其他大数据工具上构建管道。

spark itemsimilarity和spark RowSimilarity是命令行可访问的驱动程序。他们是基于职业轮回。这些的描述是为了运行从v0.10.0开始支持的代码。
链接https://mahout.apache.org/users/basics/algorithms.html 显示哪个“计算引擎”支持哪些算法。“mapreduce”列中的任何内容都将被弃用。
也就是说，与0.10.0之前的mahout相比，mahout轮回不是算法的集合。它现在有了一个类似r的dsl，其中包括广义Tensor数学，大多数mahout轮回算法都是从这个dsl中构建出来的。所以把mahout想象成一个“滚动你自己的数学和算法”工具。但是每个产品都可以根据您选择的计算引擎进行扩展。引擎本身也是本地可用的，因此您不必只使用抽象的dsl。
关于mahout轮回与mllib或任何algo lib的关系，会有重叠，并且两者都可以在代码中互换使用。
关于推荐者，新的similarityanalysis.cooccurrence实现了一个称为交叉引用的重大创新，它允许推荐者吸收几乎所有关于用户或用户上下文的已知信息，甚至可以解释项目内容的相似性。马休轮回部分是相关交叉发生的引擎。请参阅此处介绍算法的一些幻灯片：http://www.slideshare.net/pferrel/unified-recommender-39986309
使用predictionio框架（pio本身现在是一个拟议的apache孵化器项目）对此有一个完整的端到端实现，该框架已经成熟，可以使用以下说明进行安装：https://github.com/actionml/cluster-setup/blob/master/install.md