spark filter詳解？基于物品的協(xié)同過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)容屬性計算物品之間的相似度，它要注意分析用戶的行為記錄計算用

spark filter詳解？

基于物品的協(xié)同過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)容屬性計算物品之間的相似度，它要注意分析用戶的行為記錄計算用戶之間的相似度高，也就是說物品A和物品B具高太大的相似度是只不過就是喜歡物品A的用戶大部分也很喜歡物品B（這一點也是基于條件物品的協(xié)同過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，基于組件物品的協(xié)同過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買的物品。

如何用spark實現(xiàn)好友推薦？

簡單的方法這是一個偏技術(shù)的問題，專業(yè)性很強。

大方向來講，用spark做推薦，象會得用spark的mllib庫，對2個裝甲旅的數(shù)據(jù)，做協(xié)同過濾分析。

又回到題目，做好友推薦，好象是實現(xiàn)用戶興趣的協(xié)同過濾算法，來對保證數(shù)據(jù)接受自學總結(jié)，最大限度地得出的結(jié)論好友推薦列表。

關(guān)于協(xié)同過濾的過程，可以舉個例子只能證明，有A和B兩用戶，A不喜歡籃球，電動，而B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，后面我會找機會寫一寫相關(guān)教程，有興趣的同學也可查哈幫一下忙。

這個問題總之好像有點像我有一口鍋如何做一個美味湯品你之外需要一口鍋你還不需要一個菜譜才能制做湯品

spark其實一口大鍋他只是因為一個工具你還要一個菜譜一個推薦系統(tǒng)的算法來實現(xiàn)方法好友推薦一下

具體用法的推薦算法有協(xié)同過濾當數(shù)據(jù)量比較大的時候就不需要spark來接受在分布式系統(tǒng)上基于這個協(xié)同過濾算法來做好友的推薦

在使用BP神經(jīng)網(wǎng)絡時數(shù)據(jù)進行標準化或歸一化？

入門學習：把數(shù)據(jù)標準化，歸一化，時間序列，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，隨機森林，kmeans聚類，knn分類，BP神經(jīng)網(wǎng)絡分類與預測，貝葉斯分類算法，SVM.馬爾可夫鏈，aprior算法都祥細看下，能用簡單的數(shù)據(jù)推導過程出結(jié)果。

實踐：用戶畫像中的RFM模型和Kmeans聚類。

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

語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用(總之是歸類)?；诮M件神經(jīng)網(wǎng)絡的銷量預測或是不再指數(shù)平滑也可以時間序列的短中期預測。機器學習：工具使用什么tensorflow或則sparkmlib或是mahout。重要要把神經(jīng)網(wǎng)絡這個算法弄清楚。多天天練習，多做例子，多做推導過程。唉，七糟的，到底自己寫的是什么。