本实验报告探讨了在大数据环境下构建图书推荐系统的实践。通过运用Hadoop技术框架，我们设计并实现了一个高效能的图书推荐模型，旨在优化用户的阅读体验与图书馆资源利用效率。
推荐算法可以根据数据使用和模型进行分类：
按数据使用划分：
- 协同过滤算法：包括UserCF（基于用户的协同过滤）、ItemCF（基于物品的协同过滤）以及ModelCF。
- 基于内容的推荐：利用用户的内容属性与物品的内容属性来做出推荐。
- 社会化过滤：依据用户的社会网络关系来进行推荐。
按模型划分：
- 最近邻模型：通过距离计算实现相似性的度量，进而进行基于协同过滤的推荐。
- 隐因子模式（SVD）：采用矩阵分解的方法构建隐含特征空间来生成推荐结果。
- 图模型：利用社会网络图结构为依据建立预测机制。
在具体算法中：
UserCF是通过比较不同用户对物品评分的情况，从而评估用户的相似度，并基于这些相似性来进行推荐。简单来说就是向用户推荐那些与他们兴趣相投的其他用户所偏爱的商品。
ItemCF则是根据用户对于各种商品的不同评价来衡量项目之间的相关程度，然后依据这种关联进行推荐活动。从本质上讲，这是为了给客户展示出与其过去喜好高度一致的新物品选项。
5星
