presentation

总览 该项目介绍了如何使用Apache Spark机器学习创建建议。 您可以在IBM Data Science Experience上运行许多jupyter笔记本，并且可以与电影推荐Web应用程序进行实时演示。 该演示还使用IBM Message Hub（kafka）将应用程序事件推送到主题，在IBM BigInsights（hadoop）上运行的Spark Streaming作业将其消费。 快速开始 如果您想尝试该Web应用程序的实时演示，请访问。 这也是的概述视频。 该项目是演示电影推荐器应用程序。 该演示已安装了约4000部电影和500,000个评级。 评级是随机生成的。 此Web应用程序的目的是允许用户搜索电影，对电影进行评级并根据其评级接收电影的推荐。 笔记本电脑 从开始，以了解有关该项目的更多信息。 您可以将这些笔记本导入IBM Data Science Experience。 尝试从URL加载时，偶尔会遇到问题。 如果发生这种情况，请尝试克隆或下载此存储库，然后将笔记本作为文件导入。 技术领域 总体架构如下所示： 本演示中使用的技术是： 核心组件（Web应用程序）

谷歌的Wide&Deep;模型论文。大规模离散稀疏特征的处理。

eclipse或sts Code Recommenders 2.5.4，离线安装包。安装过程参照https://blog.csdn.net/wabiaozia/article/details/102558712

google于2016年发表的论文"Wide & Deep Learning for Recommender Systems"里面的代码； 全套工程文件+数据集+调试过程； 经过tf版本升级之后，通过调试，没有问题； 其他小问题可以参考我写的“调试过程”

在线推荐系统可以帮助用户找到电影，工作，餐馆甚至浪漫！将统计数据，人口统计数据和查询术语结合起来，可以获得令人满意的结果。学习以正确的方式构建推荐系统：它可以成就或破坏您的应用程序！ Practical Recommender Systems解释了推荐系统的工作原理，并展示了如何为您的网站创建和应用它们。在介绍了基础知识后，您将了解如何收集用户数据并生成个性化建议。您将学习如何使用最流行的推荐算法，并在Amazon和Netflix等网站上查看它们的示例。最后，本书介绍了在网站增长时遇到的扩展问题和其他问题。