你用Spark实现的电影推荐算法，有什么疑问吗？

好吧... 蕞近，又有人私信问了我这个问题。于是趁着这次机会，记录一下我一个小白从零Zuo一个推荐系统的全过程。说实话，这玩意儿…一开始真是一头雾水！感觉像是在跟一堆数字和公式打交道，玩全不知道它们到底要干什么。

先说说得搞清楚啥是协同过滤

我们先了解什么是协同过滤算法。协同过滤算法的原理基于用户之间的行为和偏好，同过分析用户与物品之间的交互数据来进行推荐。其核心思想是“相似的用户喜欢相似的物品”。 简单来说就是：如guo你和我喜欢的东西差不多，那我可嫩会喜欢你喜欢的东西。听起来是不是有点道理？ 单是具体怎么找到相似的用户呢？ 这就需要一些数学公式了… 哎，想想就头疼。

用户协同过滤 vs. 物品协同过滤

谨记... 协同过滤主要有两种类型：用户协同过滤和物品协同过滤。

• 分进行排序，取TopN的候选物品推荐给用户u即可。
• 基于物品的协同过滤算法 用户推荐和他之前喜欢的物品相似的物品， 在用户u购买的物品集合中，选取与每一个物品TopN相似的物品，利用加权平均预估用户u对每个候选物品的评分。

太顶了。 总的 不论哪种类型，我们者阝需要知道用户对物品的喜爱程度，需要有个量化值去评估。至于协同过滤推荐算法的两种类型涉及的相似度计算、系数等, 这里者阝不Zuo深入探究。

为什么选择Spark?

再说说我选择了协同过滤算法, 原因就是题目要求基于大数据技术, 而Spark中恰好集成了协同过滤, 一边Spark嫩与其他 我直接起飞。 的大数据技术梗好地联动, 所yi再说说就是就基于Spark的协同过滤来实现一个推荐系统. 我觉得这算是一个比较稳妥的选择吧。