使用Flume、Kafka搭建實(shí)時(shí)數據采集系統，對多樣化的用戶(hù)行為數據和大體量的業(yè)務(wù)數據進(jìn)行采集清洗和系統調優(yōu)；

使用ALS算法對評分矩陣做矩陣分解，根據商品的隱語(yǔ)義特征計算商品之間的相似度，并將相似度做倒排索引，并將倒排數據持久化到MongoDB；

實(shí)時(shí)推薦：利用商品的相似度倒排，根據用戶(hù)商品評分或者點(diǎn)擊行為來(lái)做推薦，使用Spark Streaming來(lái)實(shí)時(shí)計算推薦優(yōu)先級，然后存儲到Redis中，提高用戶(hù)的訪(fǎng)問(wèn)體驗；

利用商品的標簽數據，使用TF/IDF來(lái)計算商品之間的相似度，同樣使用倒排的思路持久化道MongoDB；

使用Spark計算每個(gè)門(mén)類(lèi)的平均評分商品來(lái)解決冷啟動(dòng)問(wèn)題；