-
map-reduce
查看全部 -
mapreduce
查看全部 -
這是一個筆記
查看全部 -
mapreduce
查看全部 -
數據經過Map端輸入后會進行網絡混寫，經過Shuffle后進入Reduce，在大數據量的情況下可能會造成巨大的網絡開銷。故可以在本地先按照key先行一輪排序與合并，再進行網絡混洗，這個過程就是Combine。
查看全部 -
多維向量的余弦相似度：
查看全部 -
HDFS架構圖
DataNode：數據節點，作用（存放文件和文件的副本，最小存儲單元是塊(Block) 64MB）
NameNode：名稱節點，存放的數據分2個部分，1個是塊信息，起到地址映射的作用，能讓NameNode快速定位到某個文件的位置
Secondary NameNode：輔助名稱節點；在NameNode運行時，輔助名稱節點會通過鏡像文件和變更日志，備份NameNode原數據，若NameNode掛了，可通過Secondary NameNode備份的原數據進行恢復
查看全部 -
HDFS。
查看全部 -
基于內容的推薦算法
步驟：
查看全部 -
基于內容的推薦算法
算法思想：給用戶推薦和他們之前喜歡的物品在內容上相似的其他物品
查看全部 -
基于用戶的協同過濾推薦算法
步驟：
查看全部 -
基于用戶的協同過濾推薦算法
算法思想：給用戶推薦和他興趣相似的其他用戶喜歡的物品
查看全部 -
基于物品的推薦算法
Map Reduce步驟：
查看全部 -
基于物品的協同過濾推薦算法
步驟：
1、根據用戶行為列表計算用戶、物品的評分矩陣
2、根據用戶、物品的評分矩陣計算物品與物品的相似度矩陣
3、相似度矩陣 x 評分矩陣 = 推薦列表
4、將推薦列表與評分矩陣進行比較，在推薦列表中置零已經評過分的物品，剩下的數據就是要給客戶推薦結果
查看全部 -
基于物品的協同過濾推薦算法
算法思想：給用戶推薦那些和他們之前喜歡的物品相似的物品
查看全部
舉報
0/150
提交
取消