35、电影推荐与内存控制：Elasticsearch 实战解析

电影推荐与内存控制：Elasticsearch 实战解析

1. 电影数据与推荐策略

1.1 数据概述

在电影数据集中， mlmovies 中的每个文档代表一部电影，关键数据为电影的 _id 和标题， offset 和 bytes 可忽略。该数据集包含 10,681 部电影。而 mlratings 则记录了用户的电影推荐信息，每个文档代表一个用户， user 字段为用户 ID， movie 字段列出了该用户观看并推荐的电影列表。

1.2 基于流行度的推荐

我们以《塔拉迪加之夜：瑞奇鲍比的民谣》（ Talladega Nights: The Ballad of Ricky Bobby ）为例，尝试基于流行度进行电影推荐。具体步骤如下：
1. 查找电影 ID ：

GET mlmovies/_search
{
  "query": {
    "match": {
      "title": "Talladega Nights"
    }
  }
}

通过上述查询，可知《塔拉迪加之夜》的 ID 为 46970。
2. 筛选并聚合推荐 ：

GET