基于Spark的机器学习实战 (十二) - 推荐系统实战
0 相关源码
将结合前述知识进行综合实战,以达到所学即所用。在推荐系统项目中,讲解了推荐系统基本原理以及实现推荐系统的架构思路,有其他相关研发经验基础的同学可以结合以往的经验,实现自己的推荐系统。
1 推荐系统简介
1.1 什么是推荐系统
1.2 推荐系统的作用
1.2.1 帮助顾客快速定位需求,节省时间
1.2.2 大幅度提高销售量
1.3 推荐系统的技术思想
1.3.1 推荐系统是一种机器学习的工程应用
1.3.2 推荐系统基于知识发现原理
1.4 推荐系统的工业化实现
- Apache Spark
- Apache Mahout
- SVDFeature(C++)
- LibMF(C+ +,Lin Chih-Jen)
2 推荐系统原理
官方文档指南
协同过滤
协同过滤通常用于推荐系统。这些技术旨在填写用户项关联矩阵的缺失条目。
spark
低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。
持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。
转载内容版权归作者及来源网站所有,本站原创内容转载请注明来源。
- 上一篇
大数据开发:剖析Hadoop和Spark的Shuffle过程差异
一、前言 对于基于MapReduce编程范式的分布式计算来说,本质上而言,就是在计算数据的交、并、差、聚合、排序等过程。而分布式计算分而治之的思想,让每个节点只计算部分数据,也就是只处理一个分片,那么要想求得某个key对应的全量数据,那就必须把相同key的数据汇集到同一个Reduce任务节点来处理,那么Mapreduce范式定义了一个叫做Shuffle的过程来实现这个效果。 二、编写本文的目的 本文旨在剖析Hadoop和Spark的Shuffle过程,并对比两者Shuffle的差异。 三、Hadoop的Shuffle过程 Shuffle描述的是数据从Map端到Reduce端的过程,大数据学习kou群74零零加【41三八yi】大致分为排序(sort)、溢写(spill)、合并(merge)、拉取拷贝(Copy)、合并排序(merge sort)这几个过程,大体流程如下: ![image](https://yqfile.alicdn.com/e4ccedfb6ccaaa0d3c0ad5b3b7ab83d96dd9fed2.png) 上图的Map的输出的文件被分片为红绿蓝三个分片,这个分片的...
- 下一篇
LocalFlinkMiniCluster启动DataStream任务的流程
LocalFlinkMiniCluster 集群的actor 模型 相关的主要类图如下: AkkaRpcActor持有一个rpcEndpoint成员,接收到消息后进行基础解析后调用rpcEndpoint的的对应方法来进行处理。 其中RpcGateway及RpcEndPoint的类图 支持的消息类型 其中主要使用RpcInvocation基于反射调用RPCEndpoint的对应函数 FencedMessage 将message进行封装成payload,通过fencingToken进行校验,保证请求的合法性 LocalFlinkMiniCluster集群的角色 ResouceManager 负责容器的分配 使用FencedAkkaRpcActor实现,其rpcEndpoint为 org.apache.flink.runtime.resourcemanag
相关文章
文章评论
共有0条评论来说两句吧...
文章二维码
点击排行
推荐阅读
最新文章
- CentOS关闭SELinux安全模块
- SpringBoot2整合Redis,开启缓存,提高访问速度
- Windows10,CentOS7,CentOS8安装Nodejs环境
- Red5直播服务器,属于Java语言的直播服务器
- CentOS6,CentOS7官方镜像安装Oracle11G
- Springboot2将连接池hikari替换为druid,体验最强大的数据库连接池
- CentOS7编译安装Gcc9.2.0,解决mysql等软件编译问题
- SpringBoot2整合Thymeleaf,官方推荐html解决方案
- CentOS7安装Docker,走上虚拟化容器引擎之路
- Jdk安装(Linux,MacOS,Windows),包含三大操作系统的最全安装