基于深度学习的监督学习，使用梯度下降、ALS、LFM算法，使用AngularJS2生成前端框架，数据库为MongoDB，使用ElasticSearch作为搜索服务器，Redis作为缓存数据库，其中包括Spark的离线统计服务、Azkaban的工作调度服务、Flume的日志采集服务、Kafka作为消息缓冲服务，全局采用Scala编写，Java作为Tomcat部署使用，实现离线推荐、实时推荐、服务器冷启动问题解决。
MovieLens数据集
Windows10、Centos7(三集群,三台都为3G，4核)、Idea2019.3、Maven3.3.9、Flume1.9、Tomcat8.5.23、Azkaban(自己编译)、elasticsearch5.6.2、kafka2.11-2.1.0、jce_policy8、node-v12.16.1、Postman、sacla2.1.18、jdk1.8、zookeeper3.4.10
业务数据库：项目采用广泛应用的文档数据库MongDB作为主数据库，责平台业务逻辑数据的存储。
搜索服务器：项目采用ElasticSearch作为模糊检索服务器，通过利用ES强大的匹配查询能力实现基于内容的推荐服务。
缓存数据库：项目采用Redis作为缓存数据库，主要用来支撑实时推荐系统部分对于数据的高速获取需求。
离线统计服务：批处理统计性业务采用Spark Core + Spark SQL进行实现，实现对指标类数据的统计任务。
离线推荐服务：离线推荐业务采用Spark Core + Spark MLlib进行实现，采用ALS算法进行实现。
工作调度服务：对于离线推荐部分需要以一定的时间频率对算法进行调度，采用Azkaban进行任务的调度。
日志采集服务：通过利用Flume-ng对业务平台中用户对于电影的一次评分行为进行采集，实时发送到Kafka集群。
消息缓冲服务：项目采用Kafka作为流式数据的缓存组件，接受来自Flume的数据采集请求。并将数据推送到项目的实时推荐系统部分。
实时推荐服务：项目采用Spark Streaming作为实时推荐系统，通过接收Kafka中缓存的数据，使用设计的推荐算法实现对实时推荐的数据处理，并将结构合并更新到 MongoDB 数据库。
DataLoader：数据加载模块，将数据加载到MongoDB和ElasticSearch。
StatisticsRecommender：离线统计模块，主要根据需求统计各类指标。
OfflineRecommender：主要是基于ALS的算法实现离线推荐。
StreamingRecommender：这部分是实时计算模块，达到实时推荐功能。
KafkaStream：对接Kafka和Flume，获取用户的实时评分数据，结合实时计算模块，给用户实时的推荐电影。
ContentRecommender：基于内容的推荐模块。