完美(续)

本文于2017年12月11号发布在个人博客中,因为个人博客关闭,全部迁移到优快云,以下是正文:


完美里面提到的工作已经完成了

我最终的做法是:

环境完整方面:

去掉了部分功能,这些功能已经完成,后续调试的可能性几乎为零,如果真有调试的需要可以在完整的环境上进行

发布方式:

镜像:

镜像制作完成后,发现不能共享给其他开发者使用。但也没什么可惜的,原因有:

1. 不方便使用:初次安装要重装系统,一不小心搞坏了环境又要重装系统,不再需要开发环境了想要卸载还要重装系统

2. 耗时:从重装系统到最后收到账户密码一般耗时在五分钟左右,要是虚拟化平台出问题还得拨打客服电话

3. 安装文档:就是做成安装文档,跟所有依赖软件打成一个包,发布出去,开发者安装安装文档一步一步操作,这种方法对我来说最简单

自动化安装:

把安装好的环境目录打成包,再编写安装和卸载的脚本,把所有这些上传到git仓库,需要的同学clone下来,执行安装脚本即可,不需要了执行卸载脚本即可回到最初的状态

看起来是这个样子的:

ENV
    |-- software.tar.gz
    |-- install.sh
    |-- uninstall.sh

安装流程:

git clone git@sample.com:xxxxx/ENV.git
cd ENV/
sh install.sh

卸载流程:

cd ENV/
sh uninstall.sh
基于html+python+Apriori 算法、SVD(奇异值分解)的电影推荐算法+源码+项目文档+算法解析+数据集,适合毕业设计、课程设计、项目开发。项目源码已经过严格测试,可以放心参考并在此基础上延申使用,详情见md文档 电影推荐算法:Apriori 算法、SVD(奇异值分解)推荐算法 电影、用户可视化 电影、用户管理 数据统计 SVD 推荐 根据电影打分进行推荐 使用 svd 模型计算用户对未评分的电影打分,返回前 n 个打分最高的电影作为推荐结果 n = 30 for now 使用相似电影进行推荐 根据用户最喜欢的前 K 部电影,分别计算这 K 部电影的相似电影 n 部,返回 K*n 部电影进行推荐 K = 10 and n = 5 for now 根据相似用户进行推荐 获取相似用户 K 个,分别取这 K 个用户的最喜爱电影 n 部,返回 K*n 部电影进行推荐 K = 10 and n = 5 for now Redis 使用 Redis 做页面访问次数统计 缓存相似电影 在使用相似电影推荐的方式时,每次请求大概需要 6.6s(需要遍历计算与所有电影的相似度)。 将相似电影存储至 redis 中(仅存储 movie_id,拿到 movie_id 后还是从 mysql 中获取电影详细信息), 时间缩短至:93ms。 十部电影,每部存 top 5 similar movie 登录了 1-6 user并使用了推荐系统,redis 中新增了 50 部电影的 similar movie,也就是说,系统只为 6 为用户计算了共 60 部电影的相似度,其中就有10 部重复电影。 热点电影重复度还是比较高的
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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