毕业设计——Springboot集成+Spark实现电影、电视剧、商品的猜你喜欢推荐算法

2024-03-21 09:20
文章标签 java 算法 实现 springboot 推荐 毕业设计 spring 商品 集成 电影 spark 喜欢 电视剧

本文主要是介绍毕业设计——Springboot集成+Spark实现电影、电视剧、商品的猜你喜欢推荐算法，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

大家好呀，我是胡广，感谢大家收看我的博客，今天给大家带来的是一个众所周知的推荐系统的小demo，废话不多说，上才艺！！！

首先简单的看一下项目结构，很简单。

你得会创建SpringBoot项目

详细教程走这个链接，写得非常详细了

IDEA 如何快速创建 Springboot 项目icon-default.png?t=N7T8https://blog.csdn.net/sunnyzyq/article/details/108666480

1.SparkApplication：SpringBoot的启动类

package com.study;import org.springframework.boot.SpringApplication;
import org.springframework.boot.autoconfigure.SpringBootApplication;@SpringBootApplication
public class SparkApplication {public static void main(String[] args) {SpringApplication.run(SparkApplication.class, args);}}

2.As类：主要实现推荐逻辑代码，我这里写得是测试的数据，如果想运用到项目当中还得从数据库获取到数据再进行spark的推荐运算哦！

其中有一段这么个代码，这是获取的本地文件的电影或电视剧的数据，这个txt文件我也会给大家放在下边分享的文件链接里！

JavaRDD<String> lines = jsc.textFile("D:\\NirvanaRebirth\\study\\spark\\recommend.txt");

给大家解释一下这个数据的格式，看到第一行是1,1,5

1（代表用户编号）,1（代表电视剧或电影、商品编号）,5（代表编号为1的用户给编号为1的电视剧的评分） 

 

package com.study;import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.Function;
import org.apache.spark.api.java.function.PairFunction;
import org.apache.spark.api.java.function.VoidFunction;
import org.apache.spark.mllib.recommendation.ALS;
import org.apache.spark.mllib.recommendation.MatrixFactorizationModel;
import org.apache.spark.mllib.recommendation.Rating;
import org.apache.spark.rdd.RDD;
import scala.Tuple2;import java.util.ArrayList;
import java.util.List;public class As {public static void main(String[] args) {List<String> list=new ArrayList<String>();list.add("1,6,0");list.add("2,1,4.5");list.add("2,2,9.9");list.add("3,3,5.0");list.add("3,4,2.0");list.add("3,5,5.0");list.add("3,6,9.9");list.add("4,2,9.9");list.add("4,5,0");list.add("4,6,0");list.add("5,2,9.9");list.add("5,3,9.9");list.add("5,4,9.9");list.add("3,10,5.0");list.add("3,11,2.0");list.add("3,12,5.0");list.add("3,12,9.9");list.add("4,14,9.9");list.add("4,15,0");list.add("4,16,7.0");list.add("5,17,9.9");list.add("5,18,9.9");list.add("5,19,6.9");//        JavaRDD<String> temp=sc.parallelize(list);//上述方式等价于
//        JavaRDD<String> temp2=sc.parallelize(Arrays.asList("a","b","c"));System.out.println("牛逼牛逼");SparkConf conf = new SparkConf().setAppName("als").setMaster("local[5]");JavaSparkContext jsc = new JavaSparkContext(conf);JavaRDD<String> lines = jsc.textFile("D:\\NirvanaRebirth\\study\\spark\\recommend.txt");
//        JavaRDD<String> lines = jsc.parallelize(list);// 映射RDD<Rating> ratingRDD = lines.map(new Function<String, Rating>() {public Rating call(String line) throws Exception {String[] arr = line.split(",");return new Rating(new Integer(arr[0]), new Integer(arr[1]), Double.parseDouble(arr[2]));}}).rdd();MatrixFactorizationModel model = ALS.train(ratingRDD, 10, 10);// 通过原始数据进行测试JavaPairRDD<Integer, Integer> testJPRDD = ratingRDD.toJavaRDD().mapToPair(new PairFunction<Rating, Integer, Integer>() {public Tuple2<Integer, Integer> call(Rating rating) throws Exception {return new Tuple2<Integer, Integer>(rating.user(), rating.product());}});// 对原始数据进行推荐值预测JavaRDD<Rating> predict = model.predict(testJPRDD);System.out.println("原始数据测试结果为：");predict.foreach(new VoidFunction<Rating>() {public void call(Rating rating) throws Exception {System.out.println("UID:" + rating.user() + ",PID:" + rating.product() + ",SCORE:" + rating.rating());}});// 向指定id的用户推荐n件商品Rating[] predictProducts = model.recommendProducts(2, 8);System.out.println("\r\n向指定id的用户推荐n件商品");for(Rating r1:predictProducts){System.out.println("UID:" + r1.user() + ",PID:" + r1.product() + ",SCORE:" + r1.rating());}// 向指定id的商品推荐给n给用户Rating[] predictUsers = model.recommendUsers(2, 4);System.out.println("\r\n向指定id的商品推荐给n给用户");for(Rating r1:predictProducts){System.out.println("UID:" + r1.user() + ",PID:" + r1.product() + ",SCORE:" + r1.rating());}// 向所有用户推荐N个商品RDD<Tuple2<Object, Rating[]>> predictProductsForUsers = model.recommendProductsForUsers(3);System.out.println("\r\n******向所有用户推荐N个商品******");predictProductsForUsers.toJavaRDD().foreach(new VoidFunction<Tuple2<Object, Rating[]>>() {public void call(Tuple2<Object, Rating[]> tuple2) throws Exception {System.out.println("以下为向id为：" + tuple2._1 + "的用户推荐的商品：");for(Rating r1:tuple2._2){System.out.println("UID:" + r1.user() + ",PID:" + r1.product() + ",SCORE:" + r1.rating());}}});// 将所有商品推荐给n个用户RDD<Tuple2<Object, Rating[]>> predictUsersForProducts = model.recommendUsersForProducts(2);System.out.println("\r\n******将所有商品推荐给n个用户******");predictUsersForProducts.toJavaRDD().foreach(new VoidFunction<Tuple2<Object, Rating[]>>() {public void call(Tuple2<Object, Rating[]> tuple2) throws Exception {System.out.println("以下为向id为：" + tuple2._1 + "的商品推荐的用户：");for(Rating r1:tuple2._2){System.out.println("UID:" + r1.user() + ",PID:" + r1.product() + ",SCORE:" + r1.rating());}}});}
}

3.pom.xml：maven的依赖项目

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 https://maven.apache.org/xsd/maven-4.0.0.xsd"><modelVersion>4.0.0</modelVersion><parent><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-parent</artifactId><version>2.6.2</version><relativePath/> <!-- lookup parent from repository --></parent><groupId>com.study</groupId><artifactId>spark</artifactId><version>0.0.1-SNAPSHOT</version><name>spark</name><description>Demo project for Spring Boot</description><properties><java.version>1.8</java.version></properties><dependencies><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter</artifactId></dependency><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-test</artifactId><scope>test</scope></dependency><!--Spark 依赖--><!-- https://mvnrepository.com/artifact/org.apache.spark/spark-core_2.11 --><dependency><groupId>org.apache.spark</groupId><artifactId>spark-core_2.11</artifactId><version>2.1.0</version></dependency><!-- https://mvnrepository.com/artifact/org.apache.spark/spark-sql_2.11 --><dependency><groupId>org.apache.spark</groupId><artifactId>spark-sql_2.11</artifactId><version>2.3.1</version></dependency><!-- https://mvnrepository.com/artifact/org.apache.spark/spark-mllib --><dependency><groupId>org.apache.spark</groupId><artifactId>spark-mllib_2.11</artifactId><version>2.1.0</version><scope>compile</scope></dependency><!--Guava 依赖--><dependency><groupId>com.google.guava</groupId><artifactId>guava</artifactId><version>14.0.1</version></dependency><dependency><groupId>org.codehaus.janino</groupId><artifactId>janino</artifactId><version>3.0.8</version></dependency><!-- fix java.lang.ClassNotFoundException: org.codehaus.commons.compiler.UncheckedCompileException --><dependency><groupId>org.codehaus.janino</groupId><artifactId>commons-compiler</artifactId><version>2.7.8</version></dependency><dependency><groupId>io.netty</groupId><artifactId>netty-all</artifactId><version>4.1.17.Final</version></dependency><!-- https://mvnrepository.com/artifact/org.slf4j/log4j-over-slf4j --><!--Hadoop 依赖--><dependency><groupId>org.apache.hadoop</groupId><artifactId>hadoop-client</artifactId><version>3.3.1</version></dependency><dependency><groupId>org.apache.hadoop</groupId><artifactId>hadoop-common</artifactId><version>3.3.1</version></dependency><dependency><groupId>org.apache.hadoop</groupId><artifactId>hadoop-hdfs</artifactId><version>3.3.1</version></dependency></dependencies><build><plugins><plugin><groupId>org.springframework.boot</groupId><artifactId>spring-boot-maven-plugin</artifactId></plugin></plugins></build></project>

简单的运行效果

向指定id的用户推荐n件商品

有需要到这个百度云盘连接下载就行

链接：https://pan.baidu.com/s/1dhsHqzxdfZngJLaCqxrAGg 提取码：oaadicon-default.png?t=N7T8https://pan.baidu.com/s/1dhsHqzxdfZngJLaCqxrAGg

好了，到这里就结束咯，是不是很简单呢？有啥不懂的或者有啥可改进的可以看下边添加我微信一起交流哦！微信：BitPlanet   需要毕业设计的小伙伴也可以联系，帝王般的服务你值得拥有

感谢观看

这篇关于毕业设计——Springboot集成+Spark实现电影、电视剧、商品的猜你喜欢推荐算法的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/832313。

相关文章

使用Python和OpenCV库实现实时颜色识别系统

使用Python和OpenCV库实现实时颜色识别系统

《使用Python和OpenCV库实现实时颜色识别系统》：本文主要介绍使用Python和OpenCV库实现的实时颜色识别系统,这个系统能够通过摄像头捕捉视频流,并在视频中指定区域内识别主要颜色（红... 目录一、引言二、系统概述三、代码解析1. 导入库2. 颜色识别函数3. 主程序循环四、HSV色彩空间详解
阅读更多...
PostgreSQL中MVCC 机制的实现

PostgreSQL中MVCC 机制的实现

《PostgreSQL中MVCC机制的实现》本文主要介绍了PostgreSQL中MVCC机制的实现,通过多版本数据存储、快照隔离和事务ID管理实现高并发读写,具有一定的参考价值,感兴趣的可以了解一下... 目录一 MVCC 基本原理python1.1 MVCC 核心概念1.2 与传统锁机制对比二 Postg
阅读更多...
SpringBoot整合Flowable实现工作流的详细流程

SpringBoot整合Flowable实现工作流的详细流程

《SpringBoot整合Flowable实现工作流的详细流程》Flowable是一个使用Java编写的轻量级业务流程引擎,Flowable流程引擎可用于部署BPMN2.0流程定义,创建这些流程定义的... 目录1、流程引擎介绍2、创建项目3、画流程图4、开发接口4.1 Java 类梳理4.2 查看流程图4
阅读更多...
一文详解如何在idea中快速搭建一个Spring Boot项目

一文详解如何在idea中快速搭建一个Spring Boot项目

《一文详解如何在idea中快速搭建一个SpringBoot项目》IntelliJIDEA作为Java开发者的‌首选IDE‌,深度集成SpringBoot支持,可一键生成项目骨架、智能配置依赖,这篇文... 目录前言1、创建项目名称2、勾选需要的依赖3、在setting中检查maven4、编写数据源5、开启热
阅读更多...
C++中零拷贝的多种实现方式

C++中零拷贝的多种实现方式

《C++中零拷贝的多种实现方式》本文主要介绍了C++中零拷贝的实现示例,旨在在减少数据在内存中的不必要复制,从而提高程序性能、降低内存使用并减少CPU消耗,零拷贝技术通过多种方式实现,下面就来了解一下... 目录一、C++中零拷贝技术的核心概念二、std::string_view 简介三、std::stri
阅读更多...
C++高效内存池实现减少动态分配开销的解决方案

C++高效内存池实现减少动态分配开销的解决方案

《C++高效内存池实现减少动态分配开销的解决方案》C++动态内存分配存在系统调用开销、碎片化和锁竞争等性能问题,内存池通过预分配、分块管理和缓存复用解决这些问题,下面就来了解一下... 目录一、C++内存分配的性能挑战二、内存池技术的核心原理三、主流内存池实现：TCMalloc与Jemalloc1. TCM
阅读更多...
OpenCV实现实时颜色检测的示例

OpenCV实现实时颜色检测的示例

《OpenCV实现实时颜色检测的示例》本文主要介绍了OpenCV实现实时颜色检测的示例,通过HSV色彩空间转换和色调范围判断实现红黄绿蓝颜色检测,包含视频捕捉、区域标记、颜色分析等功能,具有一定的参考... 目录一、引言二、系统概述三、代码解析1. 导入库2. 颜色识别函数3. 主程序循环四、HSV色彩空间
阅读更多...
Java对异常的认识与异常的处理小结

Java对异常的认识与异常的处理小结

《Java对异常的认识与异常的处理小结》Java程序在运行时可能出现的错误或非正常情况称为异常,下面给大家介绍Java对异常的认识与异常的处理,本文给大家介绍的非常详细,对大家的学习或工作具有一定的参... 目录一、认识异常与异常类型。二、异常的处理三、总结 一、认识异常与异常类型。（1）简单定义-什么是
阅读更多...
SpringBoot项目配置logback-spring.xml屏蔽特定路径的日志

SpringBoot项目配置logback-spring.xml屏蔽特定路径的日志

《SpringBoot项目配置logback-spring.xml屏蔽特定路径的日志》在SpringBoot项目中,使用logback-spring.xml配置屏蔽特定路径的日志有两种常用方式,文中的... 目录方案一：基础配置（直接关闭目标路径日志）方案二：结合 Spring Profile 按环境屏蔽关
阅读更多...
Python实现精准提取 PDF中的文本,表格与图片

Python实现精准提取 PDF中的文本,表格与图片

《Python实现精准提取PDF中的文本,表格与图片》在实际的系统开发中,处理PDF文件不仅限于读取整页文本,还有提取文档中的表格数据,图片或特定区域的内容,下面我们来看看如何使用Python实... 目录安装 python 库提取 PDF 文本内容：获取整页文本与指定区域内容获取页面上的所有文本内容获取
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2