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

大家好呀，我是阿瞒，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https://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 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 list=new ArrayList();
        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 temp=sc.parallelize(list);
        //上述方式等价于
//        JavaRDD 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 lines = jsc.textFile("D:\\NirvanaRebirth\\study\\spark\\recommend.txt");
//        JavaRDD lines = jsc.parallelize(list);
        // 映射
        RDD ratingRDD = lines.map(new Function() {
            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 testJPRDD = ratingRDD.toJavaRDD().mapToPair(new PairFunction() {
            public Tuple2 call(Rating rating) throws Exception {
                return new Tuple2(rating.user(), rating.product());
            }
        });
        // 对原始数据进行推荐值预测
        JavaRDD predict = model.predict(testJPRDD);
        System.out.println("原始数据测试结果为：");
        predict.foreach(new VoidFunction() {
            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> 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>() {
            public void call(Tuple2 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> 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>() {
            public void call(Tuple2 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

    4.0.0
    
        org.springframework.boot
        spring-boot-starter-parent
        2.6.2
         
    
    com.study
    spark
    0.0.1-SNAPSHOT
    spark
    Demo project for Spring Boot
    
        1.8
    
    
        
            org.springframework.boot
            spring-boot-starter
        

        
            org.springframework.boot
            spring-boot-starter-test
            test
        

        
        
        
            org.apache.spark
            spark-core_2.11
            2.1.0
        

        
        
            org.apache.spark
            spark-sql_2.11
            2.3.1
        

        
        
            org.apache.spark
            spark-mllib_2.11
            2.1.0
            compile
        
        
        
            com.google.guava
            guava
            14.0.1
        
        
            org.codehaus.janino
            janino
            3.0.8
        


        
        
            org.codehaus.janino
            commons-compiler
            2.7.8
        
        
            io.netty
            netty-all
            4.1.17.Final
        
        


        
        
            org.apache.hadoop
            hadoop-client
            3.3.1
        
        
            org.apache.hadoop
            hadoop-common
            3.3.1
        
        
            org.apache.hadoop
            hadoop-hdfs
            3.3.1
        




    

    
        
            
                org.springframework.boot
                spring-boot-maven-plugin
            
        
    

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：oaadhttps://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：NIKE2022888   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