1. 研究目的与意义
随着电子信息化的崛起和科学研究的迭代，人们的生活也在进行着改变，信息的过载已经是目前计算机应用里要面临的重要问题，用户们需要从大量的信息中耗费时间来提取自己所需要的信息。
而推荐系统就可以为用户筛选出有效的信息，来解决这个问题。
目前协同过滤推荐，混合式的推荐等方法已经在很多互联网平台中得到了应用，为用户来推荐想要的信息。
2. 课题关键问题和重难点
课题关键：1：整体框架的设计和准确搭建2：综合业务服务的实时处理3：数据存储部分的存取需求4：离线推荐部分的算法优化5：实时推荐部分的数据处理课题难点：1：为了让用户需求转化为系统功能变得更加平滑，整体框架的设计和搭建尤为重要。
为了满足客户需求，设计了用户可视化、综合业务服务、数据存储、离线推荐、实时推荐为一体的电商推荐平台。
2：为了响应用户的各种需求，综合业务服务如何让用户感觉此平台功能完备，用的顺手？3：为了支持实时推荐系统对数据的高速获取需求，项目采用Redis作为缓存数据库。
3. 国内外研究现状（文献综述）
1推荐算法的比较1.1基于系统过滤推荐算法和基于内容的推荐算法比较随着信息技术和互联网的发展，人们逐渐从信息匮乏的时代走入了信息过载的时代。
在这个时代，无论是信息消费者还是信息生产者都遇到了很大的挑战：对于信息消费者，从大量信息中找到自己感兴趣的信息是一件非常困难的事情；对于信息生产者，让自己生产的信息脱颖而出，受到广大用户的关注，也是一件非常困难的事情。
个性化信息需求的不断增加,导致了推荐系统( RS )的发展,RS被广泛地利用和广泛地研究,用来建议用户的兴趣,并做出适当的推荐[10]。
4. 研究方案
【系统初始化部分】0.通过Spark SQL将系统初始化数据加载到MongoDB中。
【离线推荐部分】1.可以通过Azkaban实现对于离线统计服务以离线推荐服务的调度，通过设定的运行时间完成对任务的触发执行。
2.离线统计服务从MongoDB中加载数据，将【商品平均评分统计】、【商品评分个数统计】、【最近商品评分个数统计】三个统计算法进行运行实现，并将计算结果回写到MongoDB中；离线推荐服务从MongoDB中加载数据，通过ALS算法分别将【用户推荐结果矩阵】、【影片相似度矩阵】回写到MongoDB中。
5. 工作计划
2022年1月14毕业设计任务书上传至毕业设计管理网站。
2022年1月18日~5月15日（寒假除外） 进行毕业设计具体工作： 第1-2周：完成系统的需求、提出具体设计方案，准备好相关软硬件资源。
第3-4周：撰写开题报告（2022年3月1日~3月12日） （1）弄清选题背景与意义国内外相关研究现状 （2）课题关键问题及难点 （3）文献综述 （4）研究方案、技术路线及可行性分析 （5）工作计划（进度安排） 第4-7周（2022年3月15日~4月2日）：分析、设计并实现系统（3月5完成一半工作量） （2022年4月5日~4月9日）撰写中期检查表计划进度进展情况存在的问题及解决方案 第8-11周（2022年4月5~4月16日）：系统实现（后半部分） 第11-13周（2022年4月19~4月30日）：撰写毕业设计论文、进一步完善毕业设计任务，实物成果验收。
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
