篮球让分胜负投注技巧

《一分钟搭建电影推荐系统》

大家好,又到了每周一度的技术分享时间了,Boss大手一挥,本周这个光荣而艰巨的任务就落到我身上了。想想还有十万八千行代码没写,顿时感觉亚历山大。 逃是逃不掉了,写点什么好呢,要不就和大家说说推荐系统,看看我们怎么在一分钟内搞定一个推荐系统的。既然时间这么紧张,那我们就闲话少说,赶紧进入正题。

推荐算法

首先我们来聊聊推荐算法,说起推荐系统,必然就绕?#36824;?#25512;荐算法。?#36824;?#31639;法不是我们今天的重点,?#22270;?#21333;介绍几种常见的算法:

1、基于用户(UserCF)

通过不同用户对物品的评分来评测用户之间的相似性,基于用户之间的相似性做出推荐。简单来讲,就是给用户推荐和他兴趣相似的其他用户?#19981;?#30340;物品。 如果A、B两个用户都购买了x、y、z三本图书,并且给出了5星的好评。那么A和B就属于同一类用户,可以将A看过的图书w也推荐给用户B。

2、基于物品(ItemCF)

通过用户对不同物品的评分来评测物?#20998;?#38388;的相似性,基于物?#20998;?#38388;的相似性做出推荐。简单来将,就是给用户推荐和他之前?#19981;?#30340;物品相似的物品。 如果用户A同时购买了商品1和商品2,那么说明商品1和商品2的相关度较高。当用户B也购买了商品1时,可以推断他也有购买商品2的需求。

3、基于模型(ModelCF)

基于模型的协同过滤推荐就是基于样本的用户喜好信息,训练一个推荐模型,然后根据实时的用户喜好的信息进行预测、计算推荐。

Spark MLlib当前支持基于模型的协同过滤,其中用户和商品通过一小组隐性因子进行表达,并且这些因子也用于预测缺失的元素。 MLlib使用交替最小二乘法(ALS)来学习这些隐性因子

基于Spark的推荐模型实现

基于Spark来实现推荐模型是一件很简单的事情。Spark提供了ALS算法,即使你不了解算法原理,只需要通过简单的接口调用,也可以轻松完成推荐模型的编码。 等等,谁说简单的,我这不还写了二三十?#26657;?#28010;费了我去楼下找妹子喝上一杯咖啡的时间:

哟,不对,这才只写了一个模型训练啊,我们不是说好了要搭建一个推荐系统的么。 赶紧的,前端小张,有时间么,过来帮哥做个页面;后端小王,来帮小张写个后端……是不是越想越觉得麻烦啊?

一分钟搭建推荐系统

写这么一堆毫无营养的代码很无聊吧?接下来,精彩的部分来了,看我们怎么从这一堆枯燥无味的代码中脱身,一分钟搞定电影推荐系统的。当然这一切都需要借助于我们的神器:DataExa-Insight数据洞察平台。 既然有神器在手,那一分钟管够啦,说不定还能匀出一袋烟的时间。大家准备好了?那我们这就开?#25216;?#26102;了。

1、创建流程

流程是我们用来管理机器学习任务的基本单位,虽然通过鼠标拖拽就可以轻松创建流程, 但是要在一分钟内完成也是一个不小的挑战,?#36824;?#24184;好我们还有大招——机器学习模板,简单选择一下模板,就可以轻轻松松一键创建流程,一切都是so easy!

2、设置参数

通过模板创建出来的流程如下图所示,虽然简单了一点,但已经足够用来完成我们今天的任务了。 简单设置一下参数(包括数据源、模型参数等),我们的流程就可以运行了,那还等什么呢!

3、运行流程

看到流程中每个节点后面绿色的小勾,心情那是一个舒畅,轻轻松松就跑完了,还能偷空瞄一眼窗外的碧波蓝天。

一个简单的电影推荐模型就这么完成了。不敢相信?那我们看看模型的性能吧。谈不上好,毕竟也没花精力在模型上面,也就不要苛求太多了。 如果对模型性能不满意,我们可以自己去调整参数,反复进行训练,直到满意为止。?#36824;?#20170;天可没时间啦,说好了要一分钟搞定的。

4、进行推荐

带着轻松+愉快的心情,我们进入了模型预测页,先看看怎么给用户推荐电影吧,简单的输入一个用户的编号,推荐的电影列表?#32479;?#26469;了,看着?#20849;?#38169;嘛。

再看看怎么给电影推荐用户吧! 输入商品编码 推荐的用户列表?#19981;?#21326;丽丽的出来了~~~

好了,打完收工!!!

篮球让分胜负投注技巧