基于Spark MLlib平台和基于模型的协同过滤算法的电影推荐系统（一） 协同过滤算法概述&&基于模型的协同过滤的算法思想（算法模型和结构待补充）

本文暂时分为三部分：

（一）基于Spark MLlib平台和基于模型的协同过滤算法的电影推荐系统（一）

           → 协同过滤算法概述&&基于模型的协同过滤的算法思想

（二）基于Spark MLlib平台和基于模型的协同过滤算法的电影推荐系统（二）

            → 代码实现

（三）基于Spark MLlib平台和基于模型的协同过滤算法的电影推荐系统（二）

            →作业里的拓展

        

本文基于Spark MLlib平台实现一个向用户推荐电影的简单应用。其中，主要包括三部分内容：

一、协同过滤算法概述
二、基于模型的协同过滤应用---电影推荐

三、实时推荐架构分析

一、协同过滤算法概述

   关于协同过滤的一个最经典的例子就是看电影，有时候不知道哪一部电影是我们喜欢的或者评分比较高的，那么通常的做法就是问问周围的朋友，看看最近有什么好的电影推荐。在问的时候，都习惯于问跟自己口味差不多的朋友，这也是协同过滤的核心思想：在海量数据中挖掘出小部分与你品味类似的用户，在协同过滤中，这些用户成为邻居，然后根据他们喜欢的东西组织成一个排序的目录推荐给你。

   所以就有如下两个核心问题：