基于Hadoop的协同过滤推荐：融合评分与收藏的就业推荐方案

基于 Hadoop 的协同过滤推荐系统，蛮适合做个性化就业推荐的。它的思路挺直接，收集用户评分、收藏这些行为数据，用 MapReduce 把数据分布式一遍，算出用户喜欢的岗位，就能排好序推荐给你了。对那种用户量大、岗位多的平台，比如招聘网站，这套系统还挺实用。

Hadoop 的分布式能力还挺给力的，尤其在数据多得离谱的时候，依然能跑得快、扛得住。要是你有个成千上万的职位和用户行为数据，靠普通方案根本顶不住，换上这个就舒服多了。

而且它不光用评分，还把收藏行为也加进去了，这就比单靠打分那种推荐更准一点，能从“你喜欢”和“你感兴趣但没明确说”的角度一起考虑。实际效果上，推荐的岗位匹配度高了，用户体验自然就上去了。

实现上用的主要是 协同过滤算法，不过在 Hadoop MapReduce 上做了扩展。你可以理解为“分布式版的用户相似度计算”。举个例子，有两个用户都收藏了前端岗位，那系统就会推更多相关岗位给他们，逻辑还蛮清晰的。

如果你也在做类似的推荐系统，尤其是海量用户行为数据的那种，不妨参考下这套思路。哦对了，文末还列了一堆相关文献，像什么 用户聚类、个性化推荐，还有用 SlopeOne 算法的，感兴趣的可以顺藤摸瓜看看。

提醒下，如果你打算自己搞这套系统，记得先搭好 Hadoop 环境，搞清楚 Map 和 Reduce 的拆分逻辑，不然调试会头大。如果你对 推荐系统和 大数据感兴趣，那这套代码资源还挺值得研究的。