题目：基于关键字相似度的推荐系统设计与实现

个性化推荐是根据用户的兴趣特点来向用户推荐感兴趣的物品，随着物品的种类和个数快速的增长，用户需要花费大量的时间从数据海洋中找到自己想要的信息，这种浏览无关物品信息会使消费者不断流失，为了解决用户的流失问题，要尽量提高新用户，新商品上架时的推荐准确度，在用户规模和物品规模达到一个高峰时，要保证推荐的准确度。
为了解决以上的问题，本推荐系统采用二级分布式架构，利用Hadoop的分布式计算原理，在新用户注册时采用基于用户的特征值计算算法，将当前用户尽快划分到具有相同特征的某一类人队列中，根据这一类人的特征给当前用户提供相应的推荐列表；在新影片上架时采用基于影片的特征值计算算法，将当前影片尽快划分到具有相同特征的某一类影片队列中去，根据这一类影片的特征将该影片推荐给合适的人；在用户和影片规模都达到一个高峰时，需要对用户的行为进行分割，首先：归纳，聚类用户特征，划分为若干用户群体，其次，进行群体性行为预测，再次，结合用户特征和内容喜好，进行内容推荐，最后，定义影片的内容属性，与特定用户匹配，这样就可以保证推荐的准确度。另外，由于Hadoop中的hdfs以吞吐量为优先，所以适合离线的处理信息，只有数据量到了一定程度时才会进行map/reduce处理，从本质上无法保证失效性，幸而hbase对实时性做了大幅优化，因此可以提供准实时的业务监控服务。
本文通过基于用户和基于影片的特征值计算算法，加上Hadoop的分布式计算，hdfs的高吞吐量，以及hbase的实时功效，提高了推荐的准确度，达到了实时的个性化推荐的目的。