-
input阶段：三段话 split阶段：拆成是三个，例如<1,car bear bus> map阶段：<key，value>,一句话拆成多个单词，每个单词的个数 shuffle阶段：<key，value>暂时不累加,例如：<bear,{1,1}>，统计每个单词出现的次数 output阶段：合成shuffle阶段的数据。 reduce阶段：累加求和，查看全部
-
矩阵相乘，前一个矩阵的行 * 后一个矩阵相应的列 ，汇总后，得出结果。 所以，第一个不是 2*1 + 1*2 + 1*0 ，而是 2*1 + 1*2 + 3*0查看全部
-
基于物品的协同过滤推荐算法
步骤：
1、根据用户行为列表计算用户、物品的评分矩阵
2、根据用户、物品的评分矩阵计算物品与物品的相似度矩阵
3、相似度矩阵 x 评分矩阵 = 推荐列表
4、将推荐列表与评分矩阵进行比较，在推荐列表中置零已经评过分的物品，剩下的数据就是要给客户推荐结果
查看全部 -
基于内容的推荐算法：
物品特征建模
第一步：
第二步：
第三步：
第四步：
第五步：将部分值置0
查看全部 -
基于用户的协同过滤推荐算法（UserCF）
问题：
步骤：
第一步：
第二步：
第三步：
第四步：对比，
得到最终的推荐矩阵
查看全部 -
这地方写错了。 第一个值是 2*1+1*2+3*0 = 4 只是因为都乘以的0，所以结果仍为4查看全部
-
矩阵相乘：转置右矩阵 1、将右矩阵载入分布式缓存 2、将左矩阵的行作为map输入 3、在map执行之前将缓存的右矩阵以行为单位放入list 4、在map计算时从list中取出所有行分别与输入行相乘查看全部
-
一、Combine的逻辑和reduce逻辑一致。故可以认为combine是对本地数据的reduce操作。 二、一个mapreduce作业中，一下三者的数量是相等的。 1）partitioner的数量 2）reduce任务的数量 3）最终输出文件的数量 三、一个reducer中，所有数据都会被按照key值升序排序 四、reducer数量，最大72 调整方式有二： 1）mapred.reduce.tasks 2)Java代码中job.setNumReduceTasks(int n)查看全部
-
基于内容的推荐算法
查看全部 -
基于用户的推荐算法
查看全部 -
物品推荐算法实现步骤
查看全部 -
基于物品的协同过滤推荐算法
步骤：
1、根据用户行为列表计算用户、物品的评分矩阵
2、根据用户、物品的评分矩阵计算物品与物品的相似度矩阵
3、相似度矩阵 x 评分矩阵 = 推荐列表
4、将推荐列表与评分矩阵进行比较，在推荐列表中置零已经评过分的物品，剩下的数据就是要给客户推荐结果
查看全部 -
物品推荐算法
查看全部 -
二维向量的余弦相似度
查看全部 -
矩阵乘法
查看全部
举报
0/150
提交
取消