再谈工厂三姐妹

        今天的会议让我收获颇多,虽然之前学习设计模式的时候已经总结过工厂三姐妹,机房重构,机房合作的时候也用到过简单工厂+抽象工厂+反射,但是谁敢说自己对工厂已经十分了解了呢?

       我终于知道为什么老师提倡知识的反复学习,还有为什么不让我们在一个问题上死扣,不会的就挂起来接着往下学。一个新知识,当时不管你学的多精,多透彻,过去了也会忘记,只有不断重复,才能记得更加牢固;遇到难题,就算你挤破脑筋解决了,但是时间也被浪费了,如果我们把它先挂起来,学习下面的知识,一定会产生共鸣,问题自然而然就解决了,不同时是后者只用了十分之一的时间。

       之前学习设计模式,对工厂只是有了一个书面上的的了解,今天再看的时候全都忘记了,但是当我把机房收费系统联系起来,加上小组内的讨论,让我恍然大悟。尤其是对这张UML图:


用简单工厂来改进抽象工厂(分别为Factory层、IDAL层、DAL层)

       工厂三姐妹的优缺点我在这就不再重复了,见【设计模式】神通广大之工厂三姐妹。那么反射+配置文件的作用是什么呢?

       配置文件的功能十分强大,用它可以减少很多的麻烦。它不仅解决了更改DataAccess的问题,最重要的是如果我们打包好的系统要更改数据库,我们只需更改配置文件,并且不需要重新打包。简直太为人民服务了!

       好了,会议的总结就写到这里了,相信明天会有更大的收获,加油!

 

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,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 27
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