计算机毕业设计Hadoop+Spark电影推荐系统 电影用户画像

本章详细介绍了本系统的需求分析。本系统旨在实现一个用户不仅能方便地查看电影信息，而且能获取自己感兴趣的推荐电影的系统。本系统的功能应当是较为完善的，推荐结果应当较为精准化，推荐效率应当高效，并且面对不断增长的电影数据和用户数据应当有着良好拓展性。此外，本系统应当以web页面为最终呈现方式，以便于用户在PC端或移动端等设备上随时访问本系统。

2022年12月增加Spark大屏统计驾驶舱、Web后台管理系统
当前爬虫+三种机器学习推荐算法+用户画像可视化+虚拟机集群足够毕设了

交互层提供了用户与系统之间交互的途径，通过简洁直观的web页面将系统展示给用户。业务逻辑层主要用于实现交互层的功能，根据业务逻辑实现用户信息、电影信息的管理，同时选取合适的推荐算法来完成相关推荐。推荐算法层分为统计推荐、离线推荐和实时推荐。统计推荐主要用统计的方法如计算评论数或评分等来推荐；离线推荐主要反映用户历史的电影喜好，因为计算量巨大需要离线定时运行；实时推荐主要反映用户近期的电影喜好，在离线计算好的数据基础上可以做到秒级、毫米级的计算延迟。存储层综合关系型数据库和非关系型数据库来存储用户数据、电影数据和推荐结果集。交互层、业务逻辑层、推荐算法层和存储层都将会部署在服务器端，用户在web页面上浏览时与服务器端通过HTTP协议来进行数据传输。

1.png 2.png 3.png 4.png 5.png 6.png 7.png 8.png 9.png 10.png 11.png 12.png 13.png 14.png 19.png 22.png 24.png 25.png 26.png 27.png 28.png 29.png 30.png 31.png