大数据过滤推荐引擎 包含电影展示和基于Spark的电影推荐引擎+源代码+文档说明

# :art:大数据过滤推荐引擎 ## 项目名称 EasyLooking（电影轻松看） ## 简介 本项目是基于大数据技术，对用户所点击的电影类型进行分析，通过所得数据帮助用户自动推荐符合用户喜好的电影类型，系统包括**电影推荐引擎**和 **电影网站（前后端）** 两大部分——EasyLooking。 本项目是来自于在2018.3~2018.4期间在[东南大学](http://www.seu.edu.cn/)软件学院研究生的实训。 <div> <img alig="center" src="img/logo01.png" /> </div> 该项目**使用Spark通过已经获得到的所有会员电影的评分数据集，来推断每个会员的喜好**，并向会员推荐合适的电影，同时也可以将电影推荐给感兴趣的用户，达到个性化的推荐效果，以此来达到增加会员，提高营业的收入的目的。 ## 技术栈 - Java,Scala - Hadoop,Spark ,MySQL - SpringMVC,Spring,MyBatis ## 项目整体架构 <div> <img alig="center" src="img/img001.png" /> </div> ## 一、:zap:电影推荐引擎 ### 开发环境： - IntelliJ IDEA - Maven ### 技术栈： - Spark+SparkStreaming - Scala ### 架构： <div> <img alig="center" src="img/img002.png" /> </div> ## 二、:hammer:电影网站 ### 开发环境： - IntelliJ IDEA - Maven ### 技术栈： - SpringMVC+Spring+MyBatis - MySQL ### 架构： <div> <img alig="center" src="img/img003.png" /> </div> ## :apple: 效果展示 ### 登陆界面： <div> <img alig="center" src="img/img005.png" /> </div> ### 主页面： <div> <img alig="center" src="img/img004.png" /> </div> ## :pencil: 分析 ### 离线推荐 离线推荐部分采用[协同过滤算法(ALS)](http://dblab.xmu.edu.cn/blog/1461-2/),根据**用户的喜好推荐**和**根据电影的相似度推荐**两个部分。 ### 实时推荐 利用SparkStreaming+Kafka的架构用流计算的方式来分析数据，其中分析的方法是： - 给待评分电影设置的基础优先级 - 高分电影的奖励因子 - 低分电影的惩罚因子 ### 评估 利用[RMES（均方根误差）](https://baike.baidu.com/item/%E5%9D%87%E6%96%B9%E6%A0%B9%E8%AF%AF%E5%B7%AE/3498959?fromtitle=RMSE&fromid=6536667)的方式来评估推荐的结果。其中包含以下几个影响因子： - 秩 - 迭代次数 - 正则系数 <div> <img alig="center" src="img/img006.png" /> </div> ## 参与人员 - <a href="https://github.com/https://github.com/Shen1K"> ​ <img src="https://avatars0.githubusercontent.com/u/34478597?s=460&v=4" width="50px"></a> - <a href="https://github.com/https://github.com/906798724"> ​ <img src="https://avatars3.githubusercontent.com/u/18747365?s=400&v=4" width="50px"></a> ## 参考资料 - [Spark ALS文档](https://spark.apache.org/docs/2.2.0/ml-collaborative-filtering.html) - [基于协同过滤算法的电影个性化推荐系统设计与实现](http://www.cnki.com.cn/Article/CJFDTotal-RJDK201501033.htm)