穆轩_个人页

PartitionSpec partionSpec =new PartitionSpec(“fq_day='20190318'”);这个只是新建了一个分区对象。你需要调用 table.createPartition(partionSpec)才能完成分区的创建。

可以在开发UDF的时候编写多个重载。好像没有遇到运行只要实现一个的问题。

不建议用select DISTINCT(分区字段名) from 表名;，表有很多分区的时候，会扫描全表，会消耗很多CU，造成额外花费。 简单获取可以 show partitions xxxtable;

阿里云平台也可以用Table Store代替MongoDB

评价推荐引擎有很多指标可以看：1.用户满意度用户作为推荐系统的重要参与者，其满意度是评测推荐系统的最重要指标。但是，用户满意度没有办法离线计算，只能通过用户调查或者在线实验获得。2.预测准确度预测准确度可以用评分预测和TopN表示。评分预测：评分预测的预测准确度一般通过均方根误差（RMSE）和平均绝对误差（MAE）计算。对于测试集中一个用户u 和 物品 i，令 rui 是用户u对i 的实际评分，而^rui 是推荐算法给出的预测评分TopN方法：网站在提供服务时，一般是给用户一个个性化的推荐列表，这种推荐叫做 TopN 推荐。TopN 推荐的预测准确率一般是通过 准确率(precision)/召回率(recall) 度量。3.覆盖率表示为在推荐列表的物品占整体物品集的比例。4.多样性用户的兴趣是广泛的，比如用户既可能喜欢动画片，也喜欢动作片。为了满足用户广泛的兴趣，推荐列表需要能够覆盖用户不同的兴趣领域。5.新颖性用户喜欢周星驰的电影，如果推荐给用户周星驰演过的但是用户自己从来没听过的电影，叫新颖性。6.惊喜性用户喜欢周星驰的电影，但是莫名其妙推荐了跟用户兴趣完全无关的成龙的电影。用户看完后表示很喜欢，这叫惊喜度。7.信任度用户对推荐系统的结果本身的认可感。8.实时性当用户买苹果手机的时候，立即推荐苹果耳机等配件。而不是等到第二天收集了用户购买行为，再离线计算推荐算法，第二天推荐苹果耳机。这就叫实时性。9.健壮性防止攻击的性能。假如我是商户，我可以叫大量人来阅览点击我的商品，那么推荐系统极有可能会增加推荐我的商品的概率。这就是恶意攻击。因为推荐系统本身是通过收集用户行为而推荐的。针对这种情况，除了选择健壮性较高的算法之外，还可以设计推荐系统时尽量使用代价比较高的行为。比如，在购买行为和浏览行为中主要使用购买行为。在使用数据前，进行攻击检测，从而对数据进行清理。

分区的字段数不一致。应该是同步Maxcompute使用的是系统时间模型，这样Maxcompute的表需要三个分区来表示时间。

TableStore不适合做大数据统计，如果不需要实时数据，统计分析建议用Maxcompute，需要实时生效，可以尝试分析数据库ADS日常开发测试建议使用 TableStore的 java sdk 或者用ISV的工具完成

这样配置plugin即可 org.apache.maven.plugins maven-compiler-plugin 3.6.1 1.8 1.8 UTF-8 org.apache.maven.plugins maven-assembly-plugin 2.4 jar-with-dependencies UTF-8 make-assembly package single

main函数里面无法去读资源文件，main相当于一个diver只能启动任务。或者使用ODPS sdk取获取。如上

估计是没有加载依赖包吧。是用maven构建的java工程么？