spark filter詳解？基于物品的協(xié)同過(guò)濾算法給用戶我推薦那些和他們之前不喜歡的物品相似的物品。但是ItemCF算法根本不依靠物品的內(nèi)容屬性計(jì)算物品之間的相似度，它要注意分析用戶的行為記錄計(jì)算用

spark filter詳解？

基于物品的協(xié)同過(guò)濾算法給用戶我推薦那些和他們之前不喜歡的物品相似的物品。

但是ItemCF算法根本不依靠物品的內(nèi)容屬性計(jì)算物品之間的相似度，它要注意分析用戶的行為記錄計(jì)算用戶之間的相似度高，也就是說(shuō)物品A和物品B具高太大的相似度是只不過(guò)就是喜歡物品A的用戶大部分也很喜歡物品B（這一點(diǎn)也是基于條件物品的協(xié)同過(guò)濾算法和基于組件內(nèi)容的推薦算法最主要的區(qū)別）。

同時(shí)，基于組件物品的協(xié)同過(guò)濾算法可以依靠用戶的歷史行為給推薦一下結(jié)果可以提供推薦推薦解釋，作用于回答的物品大都用戶之前比較喜歡的或則購(gòu)買的物品。

如何用spark實(shí)現(xiàn)好友推薦？

簡(jiǎn)單的方法這是一個(gè)偏技術(shù)的問(wèn)題，專業(yè)性很強(qiáng)。

大方向來(lái)講，用spark做推薦，象會(huì)得用spark的mllib庫(kù)，對(duì)2個(gè)裝甲旅的數(shù)據(jù)，做協(xié)同過(guò)濾分析。

又回到題目，做好友推薦，好象是實(shí)現(xiàn)用戶興趣的協(xié)同過(guò)濾算法，來(lái)對(duì)保證數(shù)據(jù)接受自學(xué)總結(jié)，最大限度地得出的結(jié)論好友推薦列表。

關(guān)于協(xié)同過(guò)濾的過(guò)程，可以舉個(gè)例子只能證明，有A和B兩用戶，A不喜歡籃球，電動(dòng)，而B(niǎo)喜歡唱歌，籃球，是從分析數(shù)據(jù)發(fā)現(xiàn)A和B都喜歡籃球，就把A推薦一下給B做好友了。

跪求spark的使用，后面我會(huì)找機(jī)會(huì)寫(xiě)一寫(xiě)相關(guān)教程，有興趣的同學(xué)也可查哈幫一下忙。

這個(gè)問(wèn)題總之好像有點(diǎn)像我有一口鍋如何做一個(gè)美味湯品你之外需要一口鍋你還不需要一個(gè)菜譜才能制做湯品

spark其實(shí)一口大鍋他只是因?yàn)橐粋€(gè)工具你還要一個(gè)菜譜一個(gè)推薦系統(tǒng)的算法來(lái)實(shí)現(xiàn)方法好友推薦一下

具體用法的推薦算法有協(xié)同過(guò)濾當(dāng)數(shù)據(jù)量比較大的時(shí)候就不需要spark來(lái)接受在分布式系統(tǒng)上基于這個(gè)協(xié)同過(guò)濾算法來(lái)做好友的推薦

在使用BP神經(jīng)網(wǎng)絡(luò)時(shí)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化或歸一化？

入門(mén)學(xué)習(xí)：把數(shù)據(jù)標(biāo)準(zhǔn)化，歸一化，時(shí)間序列，輪回模型，相似度算法，相關(guān)性算法，各種距離，Arima算法，hotwinter指數(shù)光潔，40多塊降臨，最小二程法曲線模型擬合，決策樹(shù)，隨機(jī)森林，kmeans聚類，knn分類，BP神經(jīng)網(wǎng)絡(luò)分類與預(yù)測(cè)，貝葉斯分類算法，SVM.馬爾可夫鏈，aprior算法都祥細(xì)看下，能用簡(jiǎn)單的數(shù)據(jù)推導(dǎo)過(guò)程出結(jié)果。

實(shí)踐：用戶畫(huà)像中的RFM模型和Kmeans聚類。

商品兩種可以使用的購(gòu)物籃算法即apriori。推薦系統(tǒng)中的協(xié)同過(guò)濾算法(總之是相似度計(jì)算)。

語(yǔ)義分析中的分詞和主題提取和特征向量其他提取，詞頻分析與文本相似度算出。

信用欺詐模型中貝葉斯的應(yīng)用(總之是歸類)?；诮M件神經(jīng)網(wǎng)絡(luò)的銷量預(yù)測(cè)或是不再指數(shù)平滑也可以時(shí)間序列的短中期預(yù)測(cè)。機(jī)器學(xué)習(xí)：工具使用什么tensorflow或則sparkmlib或是mahout。重要要把神經(jīng)網(wǎng)絡(luò)這個(gè)算法弄清楚。多天天練習(xí)，多做例子，多做推導(dǎo)過(guò)程。唉，七糟的，到底自己寫(xiě)的是什么。