读序
  文章分类
test 10 tools 16 java 9 hadoop生态圈 8 database 13 python 15 analysis 9 front-end 4 OPL 5 blog 3 algorithm 17 recommendation system 7 data warehouse 12
大数据技术之电影推荐系统7 大数据技术之电影推荐系统7
第11部分 测试实时系统联调我们的系统实时推荐的数据流向是：业务系统 -> 日志 -> flume 日志采集 -> kafka streaming 数据清洗和预处理 -> spark streaming 流式计算。在
2022-04-17 recommendation system
Spark Flume MongDB ElasticSearch Redis Kafka AngularJS2 spring
大数据技术之电影推荐系统6 大数据技术之电影推荐系统6
第 9 部分 spring业务模块主要实现 JavaEE 层面整体的业务逻辑，通过 Spring 进行构建，对接业务需求。部署在 Tomcat 上。 在MovieRecommendSystem项目中新建model为busnessServ
2022-04-16 recommendation system
Spark Flume MongDB ElasticSearch Redis Kafka AngularJS2 spring
大数据技术之电影推荐系统5 大数据技术之电影推荐系统5
第 6 部分 冷启动问题处理​ 整个推荐系统更多的是依赖于用于的偏好信息进行电影的推荐，那么就会存在一个问题，对于新注册的用户是没有任何偏好信息记录的，那这个时候推荐就会出现问题，导致没有任何推荐的项目出现。​ 处理这个问题一般
2022-04-15 recommendation system
Spark Flume MongDB ElasticSearch Redis Kafka AngularJS2 spring
大数据技术之电影推荐系统4 大数据技术之电影推荐系统4
第 4 部分 离线推荐服务建设4.1 离线推荐服务离线推荐服务是综合用户所有的历史数据，利用设定的离线统计算法和离线推荐算法周期性的进行结果统计与保存，计算的结果在一定时间周期内是固定不变的，变更的频率取决于算法调度的频率。离线推荐服务主要
2022-04-14 recommendation system
Spark Flume MongDB ElasticSearch Redis Kafka AngularJS2 spring
大数据技术之电影推荐系统3 大数据技术之电影推荐系统3
大数据技术之电影推荐系统3第 1 部分 项目体系架构设计1.1 项目系统架构​ 项目以推荐系统建设领域知名的经过修改过的 MovieLens 数据集作为依托，以某科技公司电影网站真实业务数据架构为基础，构建了符合教学体系的一体化的电影
2022-04-12 recommendation system
Spark Flume MongDB ElasticSearch Redis Kafka AngularJS2 spring
机器学习和推荐系统2 机器学习和推荐系统2
推荐系统算法k近邻算法0.引入依赖import numpy as np import pandas as pd # 这里直接引入sklearn里的数据集，iris鸢尾花 from sklearn.datasets import load_
2022-04-11 recommendation system
python Machine learning jupyternobook
机器学习和推荐系统1 机器学习和推荐系统1
推荐系统评测指标• 预测准确度• 用户满意度• 覆盖率• 多样性• 惊喜度 • 信任度• 实时性• 健壮性• 商业目标 推荐准确度评测• 评分预测很多网站都有让用户给物品打分的功能，如果
2022-04-09 recommendation system
python Machine learning jupyternobook