电影推荐影片推荐(超级详细)
以下内容较多，只展示部分，需要如下面文档，可以在下方评论或私信。
专栏购买者提供本内容"永久答疑和远程协助"服务
N.1 项目信息
| 1）影片推荐系统: [2] 技术架构：Flume+Kafka+SparkStream+SparkMLib+Redis+MongDB+Elasticsearch+Azkaban [3] 开发工具：IntelliJIDEA+Xshell [4] 项目描述：面对海量用户观看的电影记录，需要从中快速推荐送给符合用户兴趣的电影观看。 [6] 原始数据：Movie、Rating和Tag的数据表名。 [7] 技术实现： ▪离线分析：SparkCore+SparkSQL对MongDB历史数据进行开发评分统计、按月统计、类型统计和电影top； ▪离线推荐：SparkCore+SparkMLib，结合ALS算法对MongDB历史数据开发"用户未看电影表"和"相似电影表"； ▪离线调度：Azkaban定期更新离线推荐"户未看电影表"和"相似电影表"; ▪实时采集：Flume用户日志进行采集，实时推送至Kafka集群; ▪实时缓冲：Kafka作为流数据缓存，接受Flume推送请求，并将数据再次推送于实时推荐系统; ▪实时推荐：SparkStreaming作为实时推荐系统，接收Kafka缓存数据和Redis内的用户实时评分记录， 并结合"相似电影表"，通过分析师提供的算法开发"推荐优先级电影表"; ▪实时查询：MongDB和Elasticsearch对外提供查询服务 |
N.2 项目架构图
————————————————————————
————————————————————————
N.3 原始数据
————————————————————————
————————————————————————
Movie表、Rating表和Tag表
————————————————————————
————————————————————————
本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！