LeetCode | CSDN | Shimo-LeetCode | Gitee | GitHub | IronmanJay |
---|---|---|---|---|---|
ClickMe | ClickMe | ClickMe | ClickMe | ClickMe | ClickMe |
Popular repositories Loading
-
UserBehaviorAnalysis
UserBehaviorAnalysis Public模拟电商系统上线运行一段时间后,根据收集到大量的用户行为数据,利用大数据技术(Flink)进行深入挖掘和分析,进而得到感兴趣的商业指标并增强对风险的控制。 整体可以分为用户行为习惯数据和业务行为数据两大类。用户的行为习惯数据包括了用户的登录方式、上线的时间点及时长、点击和浏览页面、页面停留时间以及页面跳转等等,从中进行流量统计和热门商品的统计,并深入挖掘用户的特征;业务行为数据分为两类:一类…
-
E-CommerceWarehouse
E-CommerceWarehouse Public实现了一整套电商数仓的搭建,包括数据采集平台的搭建,将用户的行为数据分为四层分别分层搭建,并实现业务数据库的分层搭建,针对数据仓库中的数据进行,留存、转化率、复购率、GMV、活跃等报表分析,使用当下主流程数的框架,这个项目采用Apache版本的框架实现,后续会上传CDH版本的框架实现,并实现最终的数据可视化。
-
BackgroundManagementSystemBasedOnSpringBootAndVue
BackgroundManagementSystemBasedOnSpringBootAndVue Public本项目基于SpringBoot搭建后台,使用Vue搭建前端服务。完成了Vue2前端与后端初始框架搭建、集成Mybatis、实现增删改查、实现分页查询、实现代码生成器、实现导入导出、实现用户登录注册与异常处理、实现文件上传与下载、整合ECharts、权限菜单、实现关联查询、集成Redis实现缓存、高德地图集成演示、集成视频播放组件、集成Markdown和多级评论等功能。
-
ECommerceRecommendSystem
ECommerceRecommendSystem Public项目以推荐系统领域知名的经过修改过的中文亚马逊电商数据集作为依托,以电商网站真实业务数据架构为基础,构建了这套一体化电商推荐系统,包含了离线推荐与实时推荐体系,综合利用了协同过滤算法以及基于内容的推荐方法来提供混合推荐。包括从前端应用、后台服务、算法设计实现、平台部署等多方位的业务实现。
-
MovieRecommendSystem
MovieRecommendSystem Public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…
-
If the problem persists, check the GitHub status page or contact support.