基于分布式流處理框架下的移動(dòng)健身管理系統(tǒng)研究

摘 要： 基于實(shí)時(shí)推薦的移動(dòng)健身管理平臺(tái)，將健身視頻與健身管理結(jié)合，同時(shí)滿足用戶學(xué)習(xí)健身方法的需求和科學(xué)管理健身數(shù)據(jù)的需求。該系統(tǒng)實(shí)現(xiàn)了基于Android平臺(tái)的移動(dòng)健身管理應(yīng)用，具備科學(xué)記錄用戶健身和飲食數(shù)據(jù)的功能和視頻分享功能。通過對(duì)目前已有推薦系統(tǒng)算法的研究，根據(jù)系統(tǒng)和開發(fā)平臺(tái)的特點(diǎn)，設(shè)計(jì)出一種實(shí)時(shí)視頻推薦算法，然后基于目前流行的分布式流處理計(jì)算框架ApacheStorm實(shí)現(xiàn)了實(shí)時(shí)視頻推薦引擎，移動(dòng)健身管理應(yīng)用提供視頻實(shí)時(shí)推薦服務(wù)。

關(guān)鍵詞： 健身管理； 視頻； 實(shí)時(shí)推薦； 安卓

中圖分類號(hào)： TN911?34； TM417 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2016）21?0132?05

Research on mobile fitness management system based on

distributed stream processing framework

SUN Kaitao

（College of Application Engineering， Henan University of Science and Technology， Sanmenxia 472000， China）

Abstract： On the basis of the mobile fitness management platform based on real?time recommendation， the combination of fitness video and fitness management can simultaneously meet the requirements of learning fitness method and scientific fitness data management for users. The system realized the application of mobile fitness management based Android platform， and has the functions of scientifically user fitness and diet data recording， and video sharing. According to the study of the available recommendation system algorithm and characteristics of system and development platform， a real?time video recommendation algorithm was designed. The real?time video recommendation engine was realized based on the popular distributed stream processing computing framework ApacheStorm， in which the mobile fitness management application provides the video real?time recommendation service.

Keywords： fitness management； video； real?time recommendation； Android

0 引 言

互聯(lián)網(wǎng)上有大量關(guān)于各類健身運(yùn)動(dòng)等資源供參考，能夠幫助人們更合理地安排健身計(jì)劃和飲食計(jì)劃。移動(dòng)設(shè)備和移動(dòng)互聯(lián)網(wǎng)的普及使這些海量資源可以隨時(shí)隨地被獲取，滿足了人們對(duì)運(yùn)動(dòng)和飲食信息的即時(shí)性需求。然而面對(duì)海量的信息資源，用戶很難在短時(shí)間內(nèi)獲取符合自身需要的信息，有價(jià)值的資源有很多，幫助用戶找到符合自身需求的信息至關(guān)重要。推薦系統(tǒng)正是為解決這個(gè)問題而產(chǎn)生的。推薦系統(tǒng)可以通過采集和分析用戶的歷史瀏覽數(shù)據(jù)，從大量視頻中找到符合用戶需求的視頻，生成推薦列表返回給用戶。

1 系統(tǒng)概要設(shè)計(jì)

1.1 系統(tǒng)架構(gòu)設(shè)計(jì)

（1） 系統(tǒng)物理架構(gòu)

本系統(tǒng)實(shí)現(xiàn)了客戶端/服務(wù)器（C/S）和瀏覽器/服務(wù)器（B/S）兩種軟件架構(gòu)。普通用戶通過Android移動(dòng)客戶端與服務(wù)器進(jìn)行交互，實(shí)現(xiàn)健身管理和視頻觀看功能；系統(tǒng)管理員通過瀏覽器與服務(wù)器進(jìn)行交互，對(duì)基礎(chǔ)數(shù)據(jù)和用戶進(jìn)行管理。實(shí)時(shí)推薦系統(tǒng)的主節(jié)點(diǎn)運(yùn)行在應(yīng)用服務(wù)器上，其他工作節(jié)點(diǎn)運(yùn)行在分布式集群上，為用戶提供實(shí)時(shí)視頻推薦服務(wù)。

（2） 系統(tǒng)邏輯架構(gòu)

移動(dòng)健身管理平臺(tái)中有用戶和后臺(tái)管理員兩種角色，分別通過移動(dòng)客戶端和瀏覽器與服務(wù)器交互。系統(tǒng)的結(jié)構(gòu)自頂向下分為視圖層、控制層、模型層、基礎(chǔ)服務(wù)層和數(shù)據(jù)層。移動(dòng)客戶端的視頻推薦功能由獨(dú)立的實(shí)時(shí)視頻推薦系統(tǒng)和服務(wù)器通過Redis數(shù)據(jù)庫(kù)交互，為視頻推薦功能提供用戶的推薦列表。系統(tǒng)的架構(gòu)圖如圖1所示。

實(shí)時(shí)視頻推薦需要經(jīng)過離線計(jì)算和在線計(jì)算兩個(gè)步驟。離線計(jì)算以用戶的歷史行為數(shù)據(jù)為注入，建立用戶興趣模型，生成離線推薦列表。由于用戶不斷有新的行為，離線推薦列表需要每天更新一次。在線計(jì)算綜合離線推薦結(jié)果和用戶的當(dāng)前行為，生成實(shí)時(shí)推薦列表。

1.2 系統(tǒng)功能模塊設(shè)計(jì)

1.2.1 用戶功能模塊設(shè)計(jì)

（1） 編輯運(yùn)動(dòng)日志。用戶查看運(yùn)動(dòng)日志，可選擇添加新的運(yùn)動(dòng)項(xiàng)目或刪除已有項(xiàng)目。

（2） 同步健身數(shù)據(jù)。用戶可以手動(dòng)同步健身數(shù)據(jù)到服務(wù)器，防止數(shù)據(jù)丟失。

（3） 獲取視頻推薦。客戶端將獲取視頻推薦列表的請(qǐng)求發(fā)送給服務(wù)器，響應(yīng)的servlet調(diào)用視頻推薦類，調(diào)取數(shù)據(jù)庫(kù)中的視頻推薦列表返回給客戶端。

（4） 播放視頻。用戶進(jìn)入視頻主頁(yè)，查看視頻列表。選擇一個(gè)視頻后，系統(tǒng)分別加載視頻和視頻簡(jiǎn)介等信息。

1.2.2 后臺(tái)管理功能模塊設(shè)計(jì)

（1） 數(shù)據(jù)更新模塊

管理員可對(duì)運(yùn)動(dòng)和食物數(shù)據(jù)進(jìn)行更新。首先查看運(yùn)動(dòng)數(shù)據(jù)，輸入要添加的運(yùn)動(dòng)項(xiàng)目。如果項(xiàng)目已經(jīng)存在則不能添加，需要重新輸入。

（2） 視頻管理模塊

視頻首頁(yè)由管理員維護(hù)的視頻列表，固定的顯示在客戶端視頻頁(yè)面的上方。管理員登陸系統(tǒng)后，查看視頻列表，可選擇添加視頻。

1.3 數(shù)據(jù)庫(kù)設(shè)計(jì)

1.3.1 關(guān)系數(shù)據(jù)庫(kù)設(shè)計(jì)

移動(dòng)客戶端產(chǎn)生的用戶數(shù)據(jù)，如訓(xùn)練計(jì)劃、運(yùn)動(dòng)日志和飲食日志等存儲(chǔ)在Android客戶端的SQLite數(shù)據(jù)庫(kù)中。這些數(shù)據(jù)需要被用戶頻繁地查看和編輯，因此把數(shù)據(jù)存放在本地可以提高數(shù)據(jù)的加載速度，減少?gòu)木W(wǎng)絡(luò)中讀取數(shù)據(jù)所耗費(fèi)的時(shí)間。這些數(shù)據(jù)要定期同步至服務(wù)器端的MySQL數(shù)據(jù)庫(kù)，防止用戶信息丟失。MySQL數(shù)據(jù)庫(kù)還存有視頻、視頻評(píng)論、用戶收藏等信息。

1.3.2 非關(guān)系數(shù)據(jù)庫(kù)設(shè)計(jì)

（1） 用戶事件隊(duì)列。用戶每一次點(diǎn)擊視頻、收藏視頻的行為都會(huì)被存儲(chǔ)到事件隊(duì)列中。

（2） 相似度矩陣。相似度矩陣存儲(chǔ)任意兩個(gè)視頻的相似度，使用hash實(shí)現(xiàn)。

（3） 用戶評(píng)分向量。一個(gè)用戶對(duì)所有視頻的評(píng)分構(gòu)成一個(gè)[n]維向量，同樣使用hash數(shù)據(jù)結(jié)構(gòu)實(shí)現(xiàn)。用戶ID作為鍵，視頻ID作為字段，存儲(chǔ)對(duì)應(yīng)的評(píng)分。

2 推薦系統(tǒng)算法及評(píng)測(cè)方法

2.1 基于內(nèi)容的推薦

基于內(nèi)容的推薦只需要用戶模型和項(xiàng)模型，不受到項(xiàng)的評(píng)分信息數(shù)量少的約束，這點(diǎn)是協(xié)同過濾系統(tǒng)無法實(shí)現(xiàn)的。由于只關(guān)注內(nèi)容，因此不會(huì)降低新項(xiàng)目、冷門項(xiàng)目被推薦給用戶的幾率，有助于增加推薦結(jié)果的新穎度。但基于內(nèi)容的推薦系統(tǒng)只適用于可描述內(nèi)容的項(xiàng)推薦，不適用于視頻、聲音、圖片等特征提取困難的對(duì)象。

2.2 協(xié)同過濾算法

協(xié)同過濾算法中最重要的方法是基于鄰域的方法，主要包含基于用戶的協(xié)同過濾（User?based Collaborative Filtering，UserCF）和基于項(xiàng)的協(xié)同過濾（Item?based Collaborative Filtering，ItemCF）兩類算法。

推薦系統(tǒng)當(dāng)中有兩類研究對(duì)象，一類是用戶（user），另一類是項(xiàng)（item）。用戶和某些項(xiàng)具有一定關(guān)系，這個(gè)關(guān)系可以被描述成一個(gè)數(shù)值。

用戶和項(xiàng)可以構(gòu)成一個(gè)效用矩陣（utility matrix），矩陣中每個(gè)值代表某用戶對(duì)某個(gè)項(xiàng)的喜愛程度。如圖2所示的效用矩陣，代表用戶a、b、c對(duì)6部電影的評(píng)分，其中空白的部分表示用戶還沒有對(duì)電影評(píng)分。推薦系統(tǒng)的一個(gè)主要目標(biāo)就是預(yù)測(cè)空白部分的數(shù)值，把分?jǐn)?shù)最高的前[n]個(gè)項(xiàng)推薦給用戶。

2.2.1 基于用戶的協(xié)同過濾

基于用戶的協(xié)同過濾算法的工作方式是首先找到和目標(biāo)用戶的興趣相似的用戶集合，然后找到這個(gè)集合中用戶喜愛的項(xiàng)中目標(biāo)用戶不知曉的項(xiàng)推薦給該用戶。判斷兩個(gè)用戶的興趣是否相似，通過判斷用戶對(duì)相同項(xiàng)的行為是否相似得出。

2.2.2 基于項(xiàng)的協(xié)同過濾

基于項(xiàng)的協(xié)同過濾算法廣泛地應(yīng)用于各種推薦系統(tǒng)中，它基于的假設(shè)是兩個(gè)項(xiàng)被同樣的用戶喜愛則具有很高的相似度。基于項(xiàng)的協(xié)同過濾主要分為兩步。計(jì)算項(xiàng)之間的相似度，然后根據(jù)項(xiàng)的相似度和用戶的行為數(shù)據(jù)生成推薦列表。

2.3 健身視頻實(shí)時(shí)推薦系統(tǒng)算法設(shè)計(jì)

（1） 離線算法的選擇

基于用戶的協(xié)同過濾推薦適合用戶個(gè)性化需求不太豐富但時(shí)效性較強(qiáng)的場(chǎng)合。相反，基于項(xiàng)的協(xié)同過濾具有很強(qiáng)的發(fā)掘長(zhǎng)尾物品的能力，適合用戶個(gè)性化需求強(qiáng)烈的領(lǐng)域。基于項(xiàng)的協(xié)同過濾推薦可以解決新用戶的冷啟動(dòng)問題。相比較而言，基于用戶的協(xié)同過濾要先更新用戶的行為數(shù)據(jù)。

目標(biāo)系統(tǒng)的用戶個(gè)性化需求強(qiáng)烈，對(duì)新用戶的冷啟動(dòng)有要求，由于對(duì)時(shí)效性沒有要求，因此可以容忍新項(xiàng)的冷啟動(dòng)問題。本系統(tǒng)選擇基于項(xiàng)的協(xié)同過濾算法作為推薦系統(tǒng)的離線算法。

（2） 實(shí)時(shí)推薦過程算法設(shè)計(jì)

要讓實(shí)時(shí)推薦的結(jié)果反應(yīng)用戶當(dāng)前興趣，需要將用戶的點(diǎn)擊行為和收藏行為轉(zhuǎn)化成量化的喜愛程度。本算法用可調(diào)節(jié)參數(shù)[a]和[b]表示用戶對(duì)未評(píng)價(jià)過視頻的喜愛程度，[a]表示用戶對(duì)點(diǎn)擊的視頻的喜愛程度，[b]表示用戶對(duì)收藏的視頻的喜愛程度。令用戶對(duì)視頻[i]的預(yù)測(cè)興趣度為[Pui，]定義如下：

[Pui=j∈Nus（i，j）ruj] （1）

式中：[N（i）]表示喜歡視頻[i]的用戶集合；[N（j）]表示喜歡視頻[j]的用戶集合；[s（i，j）]的定義如式（2）所示。其中分母懲罰了熱門物品的相似度，熱門物品被大多數(shù)用戶知曉，應(yīng)該避免推薦。

[s（i，j）=N（i）?N（j）N（i）N（j）] （2）

令視頻的關(guān)聯(lián)矩陣為[C，]式（3）表示用戶[u]的興趣向量[P，]其中從上到下依次表示用戶[u]對(duì)視頻的興趣度。

[P=C×V′u] （3）

去掉用戶已評(píng)價(jià)過的視頻，得到待推薦視頻集合，集合中的元素是視頻ID和對(duì)應(yīng)的預(yù)測(cè)興趣度。取預(yù)測(cè)興趣度最高的前[k]項(xiàng)，生成推薦列表[R，]如式（4）所示：

[R=（v1，s1），（v2，s2），…，（vk，sk）] （4）

由于不同用戶的評(píng)分高低的習(xí)慣不同，[a]和[b]應(yīng)由用戶的歷史評(píng)分的平均分決定。

用戶每產(chǎn)生一次點(diǎn)擊操作或收藏操作，就對(duì)用戶評(píng)分向量進(jìn)行相應(yīng)的修改，如果用戶對(duì)同一個(gè)視頻有數(shù)個(gè)操作，則取模擬評(píng)價(jià)分?jǐn)?shù)的最高值。當(dāng)用戶事件數(shù)量累計(jì)達(dá)到預(yù)先設(shè)定的閾值，系統(tǒng)使用以上算法為用戶產(chǎn)生實(shí)時(shí)推薦列表。

2.4 推薦系統(tǒng)測(cè)評(píng)

（1） 實(shí)驗(yàn)方法

離線實(shí)驗(yàn)首先通過系統(tǒng)工具獲得用戶行為數(shù)據(jù)，并按照一定的格式生成數(shù)據(jù)集。然后將數(shù)據(jù)集按照一定的比例分為訓(xùn)練集和測(cè)試集，將訓(xùn)練集算法注入到推薦系統(tǒng)中訓(xùn)練用戶興趣模型，在測(cè)試集上進(jìn)行預(yù)測(cè)。最后通過離線實(shí)驗(yàn)指標(biāo)評(píng)測(cè)在測(cè)試集上生成的預(yù)測(cè)結(jié)果與實(shí)際結(jié)果。

（2） 評(píng)測(cè)指標(biāo)

衡量推薦質(zhì)量的指標(biāo)有很多，根據(jù)不同的實(shí)驗(yàn)方式，使用不同的指標(biāo)進(jìn)行評(píng)估。離線實(shí)驗(yàn)一般使用評(píng)分預(yù)測(cè)準(zhǔn)確度（RMSE）、覆蓋率、多樣性等指標(biāo)評(píng)價(jià)推薦系統(tǒng)。用戶調(diào)查和在線實(shí)驗(yàn)可以獲得用戶滿意度、驚喜度等離線實(shí)驗(yàn)無法獲得的指標(biāo)。

3 系統(tǒng)詳細(xì)設(shè)計(jì)與實(shí)現(xiàn)

3.1 移動(dòng)客戶端設(shè)計(jì)與實(shí)現(xiàn)

移動(dòng)客戶端的架構(gòu)圖如圖3所示。要實(shí)現(xiàn)移動(dòng)客戶端的用戶功能模塊，需要使用一些中間件作為基礎(chǔ)，包括網(wǎng)絡(luò)連接模塊、網(wǎng)絡(luò)檢測(cè)模塊和圖片緩存模塊。

（1） 網(wǎng)絡(luò)連接模塊

首先通過Volley工具創(chuàng)建RequestQueue對(duì)象，RequestQueue是使用Volley框架的核心，通過將創(chuàng)建的請(qǐng)求添加到RequestQueue中，該對(duì)象就可以按照先進(jìn)先出的方式按順序分發(fā)請(qǐng)求。在分發(fā)請(qǐng)求時(shí)，首先判斷該請(qǐng)求是否被緩存過，如果已經(jīng)緩存在本地，則使用CacheDispatcher調(diào)用緩存的內(nèi)容返回給客戶端。如果沒有緩存，則調(diào)用NetworkDispatcher向網(wǎng)絡(luò)發(fā)送請(qǐng)求，Dispatcher返回后，通過調(diào)用相應(yīng)的onResponse接口，處理返回后的數(shù)據(jù)。

（2） 網(wǎng)絡(luò)檢測(cè)模塊

網(wǎng)絡(luò)檢測(cè)模塊還負(fù)責(zé)檢測(cè)網(wǎng)絡(luò)狀態(tài)是連接還是斷開。當(dāng)網(wǎng)絡(luò)斷開時(shí)，給用戶發(fā)送提示。在Android系統(tǒng)中，使用ConnectivityManager類對(duì)網(wǎng)絡(luò)進(jìn)行檢測(cè)。網(wǎng)絡(luò)檢測(cè)用到的主要方法如表1所示。

（3） 圖片緩存模塊

LRU（Least Recently Used）緩存把最近最少使用的數(shù)據(jù)移除，將系統(tǒng)內(nèi)存讓給最新讀取的數(shù)據(jù)。要想實(shí)現(xiàn)LRU存儲(chǔ)策略，可以使用哈希表和雙鏈表實(shí)現(xiàn)。將Cache的所有位置都用雙向鏈表連接起來。當(dāng)一個(gè)Cache被訪問之后，通過相應(yīng)的鏈表操作，將該Cache調(diào)整到鏈表表頭的位置。新加入的Cache直接插入到鏈表表頭。在進(jìn)行多次調(diào)整操作后，最近被命中的Cache就會(huì)向鏈表頭方向移動(dòng)，而沒有命中的則向鏈表尾部移動(dòng)。因此，鏈表尾表示的是最近最少使用的Cache。當(dāng)空間不足需要清除一部分內(nèi)容時(shí)，鏈表最后的節(jié)點(diǎn)就是最少被使用的數(shù)據(jù)，根據(jù)需要將最后面的幾個(gè)數(shù)據(jù)清除。

3.2 后臺(tái)管理子系統(tǒng)詳細(xì)設(shè)計(jì)與實(shí)現(xiàn)

（1） 視頻管理模塊

管理員對(duì)視頻首頁(yè)進(jìn)行管理，可以增加和刪除視頻，這些視頻將顯示在移動(dòng)客戶端的視頻界面。

（2） 用戶管理模塊

管理員刪除用戶評(píng)論的流程圖如圖4所示。首先查詢被舉報(bào)的評(píng)論是否存在，如果存在則刪除，否則終止操作。

（3） 數(shù)據(jù)更新模塊

管理員也可以對(duì)已有的運(yùn)動(dòng)和食物數(shù)據(jù)進(jìn)行修改。圖5所示為管理員更新運(yùn)動(dòng)數(shù)據(jù)的流程圖。

3.3 實(shí)時(shí)推薦系統(tǒng)詳細(xì)設(shè)計(jì)與實(shí)現(xiàn)

（1） Storm分布式流處理框架

在Storm集群中，有主節(jié)點(diǎn)和工作節(jié)點(diǎn)。主節(jié)點(diǎn)上運(yùn)行著Nimbus進(jìn)程，工作節(jié)點(diǎn)上運(yùn)行著Supervisor進(jìn)程。主節(jié)點(diǎn)上的Nimbus后臺(tái)程序負(fù)責(zé)資源分配和任務(wù)調(diào)度，它會(huì)盡量均勻地將任務(wù)分配給Supervisor。Supervisor負(fù)責(zé)接收Nimbus分配的任務(wù)，啟動(dòng)和停止屬于自己管理的進(jìn)程。Nimbus和Supervisor的通信通過Zookeeper集群完成。

（2） 事件生成模塊

一個(gè)事件紀(jì)錄了時(shí)間戳、Sessionid、事件類型、用戶ID和視頻ID。事件流的類型分為三類，分別為點(diǎn)擊事件、推薦事件和會(huì)話終止事件，分別代表用戶的點(diǎn)擊操作、推薦請(qǐng)求和會(huì)話結(jié)束狀態(tài)。

（3） 實(shí)時(shí)視頻推薦模塊

要實(shí)現(xiàn)實(shí)時(shí)視頻推薦，首先要計(jì)算離線推薦結(jié)果，編寫MapReduce批處理任務(wù)。離線結(jié)果和它的中間結(jié)果是實(shí)時(shí)推薦的基礎(chǔ)。得到了離線推薦結(jié)果和它的中間結(jié)果后，將這些數(shù)據(jù)存儲(chǔ)到Redis中。運(yùn)行在Storm集群上的topology接收用戶的點(diǎn)擊事件流，根據(jù)用戶的點(diǎn)擊時(shí)間和離線推薦的計(jì)算結(jié)果生成實(shí)時(shí)推薦列表。

（4） 推薦系統(tǒng)實(shí)驗(yàn)

本文的實(shí)時(shí)推薦系統(tǒng)實(shí)驗(yàn)數(shù)據(jù)基于Youtube上的用戶評(píng)價(jià)健身視頻數(shù)據(jù)的仿真數(shù)據(jù)。在Youtube上搜索關(guān)鍵詞，取最熱門的[N]個(gè)視頻鏈接作為起點(diǎn)使用爬蟲工具抓取用戶對(duì)視頻的評(píng)價(jià)信息。將這些數(shù)據(jù)整理，得到8千個(gè)用戶對(duì)2千個(gè)視頻的行為。進(jìn)而可以得到用戶對(duì)視頻的評(píng)價(jià)矩陣和視頻的相似度矩陣。將評(píng)論了視頻但是沒有把視頻標(biāo)記為喜歡的用戶作為用戶的點(diǎn)擊數(shù)據(jù)。選擇某一個(gè)時(shí)間點(diǎn)的點(diǎn)擊數(shù)據(jù)作為實(shí)時(shí)數(shù)據(jù)。

4 系統(tǒng)測(cè)試

對(duì)系統(tǒng)的功能測(cè)試主要涉及健身管理模塊、視頻模塊和賬戶管理模塊的主要功能。通過測(cè)試得出，結(jié)果均通過。本系統(tǒng)使用Monkey對(duì)Android系統(tǒng)進(jìn)行壓力測(cè)試，使用命令adb shell monkey?p com.bit.fitlab?v 10對(duì)com.fitlab.manage包發(fā)送一定數(shù)量的隨機(jī)事件流，模擬用戶隨機(jī)操作，然后返回這些操作對(duì)系統(tǒng)的影響。該測(cè)試結(jié)果說明，模擬了100次操作，系統(tǒng)沒有產(chǎn)生崩潰，WiFi傳輸數(shù)據(jù)的耗時(shí)為520 ms。

5 結(jié) 論

本文實(shí)現(xiàn)了一款基于實(shí)時(shí)視頻推薦系統(tǒng)的Android平臺(tái)健身管理類應(yīng)用軟件，將健身視頻資源和健身管理應(yīng)用整合，便于用戶提高健身效率。提出了實(shí)時(shí)視頻推薦與健身管理結(jié)合的研究方向，系統(tǒng)的健身管理功能實(shí)現(xiàn)了對(duì)運(yùn)動(dòng)的時(shí)間、持續(xù)的時(shí)間、消耗的能量、項(xiàng)目完成的進(jìn)度、攝取食物的質(zhì)量和能量的全面管理功能，設(shè)計(jì)并實(shí)現(xiàn)了視頻實(shí)時(shí)推薦系統(tǒng)，解決了新用戶推薦的冷啟動(dòng)問題，并且增強(qiáng)了系統(tǒng)的實(shí)時(shí)性，使用戶的興趣點(diǎn)被實(shí)時(shí)捕捉。使用Storm分布式流處理框架實(shí)現(xiàn)，系統(tǒng)的性能卓越。

參考文獻(xiàn)

[1] MILICEVIC A K， NANOPOULOS A， IVANOVIC M. Social tagging in recommender systems： a survey of the state?of?the?art and possible extensions [J]. Artificial intelligence review， 2010， 33（3）： 187?209.

[2] 周海平，黃湊英.兩種協(xié)同過濾推薦算法的比較研究[J].貴陽(yáng)學(xué)院學(xué)報(bào)（自然科學(xué)版），2015，10（1）：1?4.

[3] SNEHA S， JAYALAKSHMI D S， SHRUTHI J， et al. Recommending music by combining content?based and collaborative filtering with user preferences [C]// Proceedings of 2012 International Conference on ICERECT. India： Springer， 2012： 507?515.

[4] CUGOLA G， MARGARA A. Processing flows of information： from data stream to complex event processing [J]. ACM compu?ting surveys， 2012， 44（3）： 359?360.

[5] CANTADOR I， BELLOGíN R， VALLET D. Content?based re?commendation in social tagging systems [C]// Proceedings of 2010 ACM Conference on Recommender Systems. New York： ACM， 2010： 237?240.

[6] XIA M J， ZHANG J G. Research on personalized recommendation system for e?commerce based on Web log mining and user browsing behaviors [C]// Proceedings of 2010 International Conference on Computer Application System Modeling. Zhengzhou， China： IEEE， 2010： 408?411.

[7] 劉建國(guó)，周濤，郭強(qiáng)，等.個(gè)性化推薦系統(tǒng)評(píng)價(jià)方法綜述[J].復(fù)雜系統(tǒng)與復(fù)雜性科學(xué)，2009，6（3）：1?10.

[8] 孟遠(yuǎn).Android網(wǎng)絡(luò)通信框架Volley的解析和比較[J].軟件，2014，35（12）：66?68.