探花交友11-实现推荐系统

28.项目搭建网关 搭建项目gateway网关 阅读详情

1、了解推荐系统

1.1、什么是推荐系统?

为了解决信息过载和用户无明确需求的问题,找到用户感兴趣的物品,才有了个性化推荐系统。

其实,解决信息过载的问题,代表性的解决方案是分类目录和搜索引擎,如hao123,电商首页的分类目录以及百度,360搜索等。

不过分类目录和搜索引擎只能解决用户主动查找信息的需求,即用户知道自己想要什么,并不能解决用户没用明确需求很随便的问题。

经典语录是:你想吃什么,随便!面对这种很随便又得罪不起的用户(女友和上帝),只能通过分析用户的历史行为给用户的兴趣建模,从而主动给用户推荐能够满足他们兴趣和需求的信息。比如问问女友的闺蜜,她一般什么时候喜欢吃什么。

1.2、电商是推荐系统的先行者

  • 电子商务网站是个性化推荐系统重要地应用的领域之一,亚马逊就是个性化推荐系统的积极应用者和推广者,亚马逊的推荐系统深入到网站的各类商品,为亚马逊带来了至少30%的销售额。
  • 不光是电商类,推荐系统无处不在。QQ,微信的好友推荐;新浪微博的你可能感兴趣的人;优酷,土豆的电影推荐;豆瓣的图书推荐;大从点评的餐饮推荐;脉脉的同事推荐等。
  • 推荐引擎的鼻祖思想源泉:http://portal.acm.org/citation.cfm?id=1070751
  • 亚马逊最早提出基于物品的协同过滤推荐算法:http://portal.acm.org/citation.cfm?id=372071

京东的推荐:在这里插入图片描述

1.3、推荐系统业务流程

在这里插入图片描述

推荐系统广泛存在于各类网站中,作为一个应用为用户提供个性化的推荐。它需要一些用户的历史数据,一般由三个部分组成:基础数据、推荐算法系统、前台展示。

  • 基础数据包括很多维度,包括用户的访问、浏览、下单、收藏,用户的历史订单信息,评价信息等很多信息;
  • 推荐算法系统主要是根据不同的推荐诉求由多个算法组成的推荐模型;
  • 前台展示主要是对客户端系统进行响应,返回相关的推荐信息以供展示。

1.4、协同过滤推荐算法

迄今为止,在个性化推荐系统中,协同过滤技术是应用最成功的技术。目前国内外有许多大型网站应用这项技术为用户更加智能(个性化、千人千面)的推荐内容。

核心思想:

协同过滤一般是在海量的用户中发掘出一小部分和你品位比较类似的,在协同过滤中,这些用户成为邻居,然后根据他们喜欢的其他东西组织成一个排序的目彔作为推荐给你。

1.4.1、基于用户的推荐 UserCF

在这里插入图片描述

在这里插入图片描述

对于用户A,根据用户的历史偏好,这里只计算得到一个邻居–用户C,然后将用户C 喜欢的物品D 推荐给用户A。

基于用户的协同过滤算法先计算的是用户与用户的相似度(兴趣相投,物以类聚人以群分),然后将相似度比较接近的用户A购买的物品推荐给用户B,专业的说法是该算法用最近邻居(nearest-neighbor)算法找出一个用户的邻居集合,该集合的用户和该用户有相似的喜好,算法根据邻居的偏好对该用户进行预测。

1.4.2、基于商品的推荐 ItemCF

在这里插入图片描述

  • 基于ItemCF的原理和基于UserCF类似,只是在计算邻居时采用物品本身,而不是从用户的角度,即基于用户对物品的偏好找到相似的物品,然后根据用户的历史偏好,推荐相似的物品给他。
  • 从计算的角度看,就是将所有用户对某个物品的偏好作为一个向量来计算物品之间的相似度,得到物品的相似物品后,根据用户历史的偏好预测当前用户还没有表示偏好的物品,计算得到一个排序的物品列表作为推荐。
  • 解释:对于物品A,根据所有用户的历史偏好,喜欢物品A 的用户都喜欢物品C,得出物品A 和物品C 比较相似,而用户C 喜欢物品A,那么可以推断出用户C 可能也喜欢物品C。

1.5、ALS算法

ALS 是交替最小二乘 (alternating least squares)的简称。在机器学习的上下文中,ALS 特指使用交替最小二乘求解的一个协同推荐算法。它通过观察到的所有用户给产品的打分,来推断每个用户的喜好并向用户推荐适合的产品。从协同过滤的分类来说,ALS算法属于User-Item CF,也叫做混合CF。它同时考虑了User和Item两个方面。

用户和商品的关系,可以抽象为如下的三元组:<User,Item,Rating>。其中,Rating是用户对商品的评分,表征用户对该商品的喜好程度。如下:

196	242	3	881250949
186	302	3	891717742
22	377	1	878887116
244	51	2	880606923
166	346	1	886397596
298	474	4	884182806
115	265	2	881171488
253	465	5	891628467
305	451	3	886324817
6	86	3	883603013
62	257	2	879372434
286	1014	5	879781125
200	222	5	876042340
210	40	3	891035994
................

2、好友推荐

对于好友的推荐,需要找出每个用户之间的相似性,具体规则如下:

字段权重分
年龄差0-2岁 30分3-5 20分5-10岁 10分10岁以上 0分
性别异性 30分同性 0分
位置同城 20分不同 0分
学历相同 20分不同 0分

2.1、流程

在这里插入图片描述

2.2、部署好友推荐服务

推荐系统是由专业的大数据人员开发编写的,我们只需要部署运行。在课程中已经以docker-compose提供了相应系统

#进入目录
cd /root/docker-file/recommend/
#创建容器并启动
docker-compose up –d
#查看容器
docker ps -a

推荐系统内部包含了好友推荐,动态推荐以及视频推荐。

推荐系统会访问本地数据库,所以需要打开本地数据库的远程访问权限

如果想要用户root可以远程登录,则可通过修改user表中root用户对应的host字段值为“%”即可。我们用以下语句进行修改:

update user set host = '%' where user = 'root';

#或者
GRANT ALL PRIVILEGES ON *.* TO '登录id'@'%' IDENTIFIED BY '登录密码' WITH GRANT OPTION;

执行完成后,可以看到MongoDB中的recommend_user表中数据已经重新生成了。
在这里插入图片描述

3、圈子推荐

3.1、功能说明

在圈子功能中,针对于用户发布的动态信息,系统可以根据用户的发布、浏览、点赞等操作,对动态信息做计算,然后对每个用户进行不同的推荐。

3.2、流程说明

在这里插入图片描述

流程说明:

  • 用户对圈子的动态操作,如:发布、浏览、点赞、喜欢等,就会给RocketMQ进行发送消息;
  • 推荐系统接收消息,并且处理消息数据,处理之后将结果数据写入到MongoDB中;
  • Spark系统拉取数据,然后进行推荐计算;
  • 计算之后的结果数据写入到Redis中,为每个用户都进行个性化推荐;

3.3、动态计分规则

  • 浏览 +1
  • 点赞 +5
  • 喜欢 +8
  • 评论 + 10
  • 发布动态
    • 文字长度:50以内1分,50~100之间2分,100以上3分
    • 图片个数:每个图片一分

核心推荐逻辑:

  • 推荐模型:用户 | 动态 | 评分
  • 其中,评分是用户对动态操作的得分合计
  • 为什么自己发布动态还要计分? 是因为,自己发布就相当于自己对此动态也感兴趣,这样就可以在相似的人之间进行推荐了。

3.4、发送消息

在之前的系统中,已经完成的日志消息的发送
在这里插入图片描述

探花系统发布的日志消息统一发送到MQ

3.5、接收消息

接收消息的工作需要新创建tanhua-recommend工程,在此工程中完成相关的操作。

3.5.1、创建tanhua-recommend工程
<dependencies>
    <dependency>
        <groupId>com.itheima</groupId>
        <artifactId>tanhua-model</artifactId>
        <version>1.0-SNAPSHOT</version>
    </dependency>
    <!--RabbitMQ-->
    <dependency>
        <groupId>org.springframework.boot</groupId>
        <artifactId>spring-boot-starter-amqp</artifactId>
    </dependency>
    <dependency>
        <groupId>cn.hutool</groupId>
        <artifactId>hutool-all</artifactId>
        <version>5.4.3</version>
    </dependency>
</dependencies>
3.5.2、配置文件

application.yml

spring:
  rabbitmq:
    host: 192.168.136.160
    port: 5672
    username: guest
    password: guest
  data:
    mongodb:
      uri: mongodb://192.168.136.160:27017/tanhua
3.5.3、启动类
package com.tanhua.recommend;

import org.springframework.boot.SpringApplication;
import org.springframework.boot.autoconfigure.SpringBootApplication;

@SpringBootApplication
public class RecommendApplication {

    public static void main(String[] args) {
        SpringApplication.run(RecommendApplication.class,args);
    }
}

3.5.4、实体类

存储到MongoDB的中的实体结构。

package com.tanhua.model.mongo;

import lombok.AllArgsConstructor;
import lombok.Data;
import lombok.NoArgsConstructor;
import org.bson.types.ObjectId;
import org.springframework.data.mongodb.core.mapping.Document;

//大数据动态评分实体类
@Data
@NoArgsConstructor
@AllArgsConstructor
@Document("recomment_movement_score")
public class MovementScore {

    private ObjectId id;
    private Long userId;// 用户id
    private Long movementId; //动态id,需要转化为Long类型
    private Double score; //得分
    private Long date; //时间戳
}

3.5.5、RecommendMovementListener
package com.tanhua.recommend.listener;


import cn.hutool.core.util.StrUtil;
import com.alibaba.fastjson.JSON;
import com.tanhua.model.mongo.Movement;
import com.tanhua.model.mongo.MovementScore;
import org.springframework.amqp.core.ExchangeTypes;
import org.springframework.amqp.rabbit.annotation.Exchange;
import org.springframework.amqp.rabbit.annotation.Queue;
import org.springframework.amqp.rabbit.annotation.QueueBinding;
import org.springframework.amqp.rabbit.annotation.RabbitListener;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.data.mongodb.core.MongoTemplate;
import org.springframework.stereotype.Component;

import java.util.Map;

@Component
public class RecommendMovementListener {

    @Autowired
    private MongoTemplate mongoTemplate;

    @RabbitListener(bindings = @QueueBinding(
            value = @Queue(
                    value = "tanhua.movement.queue",
                    durable = "true"
            ),
            exchange = @Exchange(
                    value = "tanhua.log.exchange",
                    type = ExchangeTypes.TOPIC),
            key = {"log.movement"})
    )
    public void recommend(String message) throws Exception {
        System.out.println("处理动态消息:"+message);
        try {
            Map<String, Object> map = JSON.parseObject(message);
            //1、获取数据
            Long userId = Long.valueOf(map.get("userId").toString());
            String date = (String) map.get("date");
            String objId = (String) map.get("objId");
            String type = (String) map.get("type");
            Movement movement = mongoTemplate.findById(objId, Movement.class);
            if(movement != null) {
                MovementScore ms = new MovementScore();
                ms.setUserId(userId);
                ms.setDate(System.currentTimeMillis());
                ms.setMovementId(movement.getPid());
                ms.setScore(getScore(type,movement));
                mongoTemplate.save(ms);
            }
        } catch (Exception e) {
            e.printStackTrace();
        }
    }

    private static Double getScore(String type,Movement movement) {
        //0201为发动态  基础5分 50以内1分,50~100之间2分,100以上3分
        //0202为浏览动态, 1
        //0203为动态点赞, 5
        //0204为动态喜欢, 8
        //0205为评论,     10
        //0206为动态取消点赞, -5
        //0207为动态取消喜欢   -8
        Double score = 0d;
        switch (type) {
            case "0201":
                score = 5d;
                score += movement.getMedias().size();
                int length = StrUtil.length(movement.getTextContent());
                if (length >= 0 && length < 50) {
                    score += 1;
                } else if (length < 100) {
                    score += 2;
                } else {
                    score += 3;
                }
                break;
            case "0202":
                score = 1d;
                break;
            case "0203":
                score = 5d;
                break;
            case "0204":
                score = 8d;
                break;
            case "0205":
                score = 10d;
                break;
            case "0206":
                score = -5d;
                break;
            case "0207":
                score = -8d;
                break;
            default:
                break;
        }
        return score;
    }
}

3.6、测试

测试方法:使用APP进行操作,可以看到在MongoDB中已经有数据写入。
在这里插入图片描述

等待片刻,进入redis查看是否已经有数据

4、小视频推荐

小视频的推荐和动态推荐的实现逻辑非常的类似。

4.1、动态计分规则

  • 发布+2
  • 点赞 +5
  • 评论 + 10

4.2、发送消息

4.3、接收消息

5.3.1、VideoScore

视频评分实体类

package com.tanhua.model.mongo;

import lombok.AllArgsConstructor;
import lombok.Data;
import lombok.NoArgsConstructor;
import org.bson.types.ObjectId;
import org.springframework.data.mongodb.core.mapping.Document;

@Data
@NoArgsConstructor
@AllArgsConstructor
@Document("recomment_video_score")
public class VideoScore {

    private ObjectId id;
    private Long userId;// 用户id
    private Long videoId; //视频id,需要转化为Long类型 video中的vid字段
    private Double score; //得分
    private Long date; //时间戳
}

5.3.2、RecommendVideoListener
package com.tanhua.recommend.listener;

import com.alibaba.fastjson.JSON;
import com.tanhua.model.mongo.Video;
import com.tanhua.model.mongo.VideoScore;
import org.springframework.amqp.core.ExchangeTypes;
import org.springframework.amqp.rabbit.annotation.Exchange;
import org.springframework.amqp.rabbit.annotation.Queue;
import org.springframework.amqp.rabbit.annotation.QueueBinding;
import org.springframework.amqp.rabbit.annotation.RabbitListener;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.data.mongodb.core.MongoTemplate;
import org.springframework.stereotype.Component;

import java.util.Map;

@Component
public class RecommendVideoListener {

    @Autowired
    private MongoTemplate mongoTemplate;

    @RabbitListener(bindings = @QueueBinding(
            value = @Queue(
                    value = "tanhua.video.queue",
                    durable = "true"
            ),
            exchange = @Exchange(
                    value = "tanhua.log.exchange",
                    type = ExchangeTypes.TOPIC),
            key = {"log.video"})
    )
    public void recommend(String message) throws Exception {
        System.out.println("处理视频消息:"+message);
        try {
            Map<String, Object> map = JSON.parseObject(message);
            //1、获取数据
            Long userId = (Long) map.get("userId");
            String date = (String) map.get("date");
            String objId = (String) map.get("objId");
            String type = (String) map.get("type");
            Video video = mongoTemplate.findById(objId, Video.class);
            if(video != null) {
                VideoScore vs = new VideoScore();
                vs.setUserId(userId);
                vs.setDate(System.currentTimeMillis());
                vs.setVideoId(video.getVid());
                vs.setScore(getScore(type));
                mongoTemplate.save(vs);
            }
        } catch (Exception e) {
            e.printStackTrace();
        }
    }

    private static Double getScore(String type) {
        //0301为发小视频,0302为小视频点赞,0303为小视频取消点赞,0304为小视频评论
        Double score = 0d;
        switch (type) {
            case "0301":
                score=2d;
                break;
            case "0302":
                score=5d;
                break;
            case "0303":
                score = -5d;
                break;
            case "0304":
                score = 10d;
                break;
            default:
                break;
        }
        return score;
    }
}

5.3.3、测试

在这里插入图片描述

可以看到,用户1对于视频有点赞、取消点赞、评论等操作。

测试Reids,可以发现已经存入了推荐数据

知识图谱实战应用17-推荐系统在婚恋交友项目上的实际应用 大家好,我是微学AI, 今天给大家介绍一下知识图谱实战应用17-推荐系统在婚恋交友项目上的实际应用,推荐系统在婚恋交友项目中的应用可以大大提高用户的匹配效果和满意度。通过利用大数据和智能算法分析用户需求、行为和反馈,推荐系统能够为用户找到更符合他们期望的交友对象,提升交友成功率,并节省用户搜索和筛选的时间和精力。 阅读详情

相关推荐

8、基于时间动态性的推荐系统

本文探讨了时间动态性在推荐系统中的重要性,介绍了Koren提出的时间动态模型以及其核心思想和实现步骤。通过分析用户兴趣和行为的变化,结合时间加权、衰减处理等方法,该模型显著提升了推荐系统的准确性与适应性。文章还讨论了其在电子商务、社交媒体和新闻推荐中的应用,并提出了优化策略以克服模型的局限性。

night的博客 93

java基于spingboot的交友推荐系统的设计与实现-毕业设计

随着科学技术的飞速发展,各行各业都在努力与现代先进技术接轨,通过科技手段提高自身的优势;对于交友推荐系统当然也不能排除在外,随着网络技术的不断成熟,带动了交友推荐系统,它彻底改变了过去传统的管理方式,不仅使服务管理难度变低了,还提升了管理的灵活性。交友推荐系统,主要的模块包括用户;主页、社区、问答、兴趣、过往分享、兴趣走廊等功能。系统中管理员主要是为了安全有效地存储和管理各类信息,还可以对系统进行管理与更新维护等操作,并且对交友推荐有相应的操作权限。

QQ1039692211的博客 474

动态推荐系统关键技术研究

人工智能 推荐系统入门级论文 本文提出了平分与此问题中用户兴趣预测的动态模型

构建分布式微博好友推荐系统【实战开发】

对于社交系统与电商网站,推荐系统占有很重要的位置,当数据量越来越大的时候,用户无法确定该选择什么商品,因此在电商系统中需要按照兴趣或者相似度给用户推荐相应的商品。相应的,在一个大型社交网络平台中,对于一些用户,我们希望推荐一些知名度较高,活跃度较高或者感兴趣的用户,比如一些明星,歌手,演员等等。在社交网络中,PageRank算法有着广泛的应用,因此,本篇文章主要介绍其原理以及实战进行好友的推荐 ,...

不清不慎的博客 4104

银河麒麟V10上,手把手教你搞定OpenJDK的Icedtea插件(解决Java Web Start打不开问题)

本文详细介绍了在国产化操作系统银河麒麟V10上安装和配置OpenJDK Icedtea插件的完整流程,解决Java Web Start无法打开的问题。涵盖ARM64和MIPS64EL架构的安装步骤、文件关联配置及常见故障排除,帮助用户顺利完成系统迁移和应用部署。

weixin_33726313的博客 175

SRAM compiler中 Number of banks 设置

的值时,需要考虑应用的性能需求、功耗要求和面积限制。设计者应根据具体的应用场景选择合适的bank数量,以优化整体系统性能。bank是一种用于分离存储器访问的设计结构,允许同时对不同的存储区域进行读写操作,从而提高存储器的并发访问性能。选项用于指定 SRAM 存储器的 并发存储区域。在 SRAM 编译器中,

hzmscut的博客 1877

探花交友07-搜附近

*** 查询探花列表,查询时需要排除喜欢和不喜欢的用户//保存或者更新 Boolean saveOrUpdate(Long userId , Long likeUserId , boolean isLike);//用户id private GeoJsonPoint location;//x:经度 y:纬度 private String address;//位置描述 private Long created;//创建时间 private Long updated;

InLoadwetrust的博客 2311

FUEL算法解读(一)——框架解读,思维导图可以很清晰看懂算法启动框架,已更新完,图太大放不上来链接在文末

一图看懂FUEL算法节点框架!!!

weixin_43793717的博客 2786

动态推荐系统关键技术研究(一)

本文是项亮老师的博士论文总结 原文链接   第一章 引言 1.1 背景与意义 用户从大量信息中找到自己感兴趣的信息是一件很困难的事情,生产商如何让自己生成的信息脱颖而出,受到用户欢迎也是一件困难的事情,因此,为了解决这一矛盾开发了推荐系统. 推荐系统的任务就是联系用户和信息,一方面帮助用户发现对自己有价值的信息,另一方面让信息能够展现在对它有兴趣的用户面前,从而实现信息消费者和信息生产者的...

cxy7228484的博客 4294

避免踩坑!杰理AC63蓝牙名修改常见问题及解决方案(含BLE后缀处理)

本文详细解析了杰理AC63蓝牙设备名称修改的全过程,包括基础操作、BLE后缀处理及高级调试技巧。针对蓝牙名修改中的常见问题,提供了实用的解决方案和代码示例,帮助开发者避免踩坑并实现高效定制。

q6r7s8t9的博客 415

基于AI的智能开发环境—Trae在Web开发中的应用实战与性能评估【Trae项目实战】

Trae 是一款与 AI 深度集成的开发工具,提供智能问答、代码自动补全和基于 Agent 的 AI 自动编程能力,极大提升开发效率。它具备完备的 IDE 功能,如代码编写、项目管理和源代码管理等,同时还具备强大的 AI 助手,能够提供智能问答、实时代码建议、代码片段生成等服务。开发者可以通过自然语言与 AI 协作,从 0 到 1 开发项目,AI 会根据需求自动生成代码或创建文件。

一键难忘的博客 3万+

SpringBoot交友APP项目实战(详细介绍+案例源码) - 11.后台管理(完结啦)

搭建一个Java框架的移动端交友APP,涵盖登录、注册、动态、即时通讯、视频(算法推荐)、个人中心等功能; 技术选型: Spring Boot + SpringMVC + Mybatis + MybatisPlus + Dubbo,即时通讯选用环信即时通讯

yuan 5550

Autosar入门_OS_5

os hook函数说明

u012406840的博客 402

内容推荐系统的动态推荐:实时计算与预测

1.背景介绍 内容推荐系统是现代互联网公司的核心业务之一,它通过对用户的行为、内容特征等数据进行分析,为用户推荐个性化的内容。随着数据量的增加和用户需求的多样化,传统的静态推荐方法已经不能满足业务需求,动态推荐技术逐渐成为主流。本文将从实时计算、预测、算法原理等方面进行深入探讨,为读者提供一份全面的技术博客。 2.核心概念与联系 2.1 内容推荐系统的基本概念 内容推荐系统是一种智能系统,...

AI天才研究院 1180

FPGA 学习笔记:Vivado 2020.2 MicroBlaze MIG 测试 DDR3 篇四

FPGA 学习笔记:Vivado 2020.2 MicroBlaze MIG 测试 DDR3 篇四

坚韧与专注 2164

论文必备 - YOLOv12热力图可视化,支持指定模型,指定显示层,设置置信度,以及10种可视化实现方式

本文带来的是YOLOv12热力图可视化功能,支持,以及。我们经常看到一些论文里绘制了不同的热力图,一方面能够直观的感受其模型的有效性,另一方面也丰富了论文内容。特别是在使用了注意力模块的网络中,热力图就可以验证注意力机制是否真正聚焦到了预期的重要特征上,以便对模型的有效性和合理性进行评估。例如这篇文章中展示的,就很能够表达作者改进后的模型相比之前模型的优越性。

Limiiiing的博客 1707

推荐系统中的动态优化:如何适应用户变化

1.背景介绍 推荐系统是现代互联网企业的核心业务,它通过分析用户行为、内容特征等多种数据,为用户推荐个性化的内容或产品。随着用户的增多和用户行为的复杂化,推荐系统需要不断地更新和优化,以适应用户的变化。这篇文章将从动态优化的角度,深入探讨推荐系统中如何适应用户变化的方法和技术。 1.1 推荐系统的发展 推荐系统的发展可以分为以下几个阶段: 基于内容的推荐系统:早期的推荐系统主要通过内容元...

AI天才研究院 827

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

推荐系统中的动态优化与实时推荐

1.背景介绍 推荐系统是现代互联网公司的核心业务,它通过对用户的行为、兴趣和需求进行分析,为用户提供个性化的推荐。随着数据量的增加和用户需求的多样化,传统的推荐系统已经不能满足现实中的需求。因此,动态优化和实时推荐技术逐渐成为推荐系统的关键研究方向。 本文将从以下几个方面进行阐述: 背景介绍 核心概念与联系 核心算法原理和具体操作步骤以及数学模型公式详细讲解 具体代码实例和详细解释说明 未...

AI天才研究院 1043

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

基于MapReduce实现好友推荐

摘要:本文介绍了一个基于MapReduce的社交好友推荐算法实现。通过分析用户好友关系数据,计算潜在好友之间的共同好友数,为每个用户推荐非好友但共同好友较多的用户。算法分为两个阶段:第一阶段生成潜在好友对及其共同好友数,第二阶段按共同好友数排序生成推荐列表。详细说明了MapReduce程序的实现过程,包括自定义数据类型、Mapper、Combiner和Reducer的设计,以及如何通过二次排序优化推荐结果。实验数据采用双向好友关系记录,最终输出包含用户ID、推荐好友ID及共同好友数的三字段结果表。

李昭的博客 975

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

推荐系统的实时推荐:应对动态变化的用户需求

1.背景介绍 推荐系统是现代网络企业的核心业务之一,它通过对用户的行为、内容特征等信息进行分析,为用户提供个性化的内容推荐。随着用户行为数据的增长,推荐系统的复杂性也不断提高,需要不断发展新的算法和技术来应对这些挑战。 实时推荐是推荐系统的一个重要方向,它需要在用户访问时立即生成推荐结果,以满足用户的实时需求。实时推荐系统的核心特点是高效、高质量、实时性。为了实现这些目标,我们需要研究和应用各...

AI天才研究院 1303

BI-推荐系统之关联规则

背景:超市如何预知高中生怀孕美国明尼苏达州一家Target被客户投诉,一位中年男子指控Target将婴儿产品优惠卷寄给他的女儿(高中生)。但没多久他却来电道歉,因为女儿经他逼问后坦诚自己真的怀孕了。

qq_58360406的博客 553

java项目---探花交友

一、项目介绍 1、项目背景 在线社交是互联网时代的产物,已成为互联网用户的基础需求之一。移动互联网自2003年起快速发展, 促使在线社交逐渐从PC端转移至移动端。移动社交最初以熟人社交为主,以维系熟人关系、共享资源信 息的形式存在。随着人们交友需求的延伸,移动社交开始向陌生人社交、兴趣社交等垂直方向发展,形 式丰富多样。 2、市场分析 探花交友项目定位于 陌生人交友市场。 根据《2018社交领域投融资报告》中指出:虽然相比2017年,投融资事件减少29.5%,但是融资 的总额却大幅增长,达到68%

weixin_39868387的博客 1万+

动态权重:推荐算法的新范式

前言设计范式(Design Pattern)是各位码农都应该熟悉的概念。Design Pattern针对软件开发普遍存在的各种问题,提出可复用解决方案。同时,Design Pattern也为程序员之间的交流提供了共同语言。比如,我说我的程序采用了Template Method模式,其他程序员就能对我的程序结构猜个八九不离十。其实,在我们设计推荐算法模型的时候,也有很多设计...

Kaiyuan_sjtu的博客 5347

【探花交友DAY 12 完结】推荐系统

推荐系统与探花交友系统结合,实现动态,小视频和好友的推荐

lyx7762的博客 2075

【探花交友DAY 09】最近访客和FastDFS实现小视频功能

最近访客和FastDFS实现小视频功能

lyx7762的博客 926

Maven的GroupID和ArtifactID的含义

标签:目的   left   就会   定义   平时   包名   项目   rep   depend    groupID:是项目组织唯一的标识符,实际对应Java的包的结构,是main目录里Java的目录结构。 artifactID:是项目的唯一标识符,实际对应项目的名称,就是项目根目录的名称。   1.基础掌握 &lt;groupId&gt;com.yucong.commonma...

qq_39661027的博客 3252
上一篇: 探花交友10-数据统计与内容审核
InLoadwetrust
博客等级 码龄6年 11粉丝 84原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

InLoadwetrust

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值