本章详细介绍了本系统的需求分析。本系统旨在实现一个用户不仅能方便地查看电影信息，而且能获取自己感兴趣的推荐电影的系统。本系统的功能应当是较为完善的，推荐结果应当较为精准化，推荐效率应当高效，并且面对不断增长的电影数据和用户数据应当有着良好拓展性。此外，本系统应当以web页面为最终呈现方式，以便于用户在PC端或移动端等设备上随时访问本系统。
虚拟机centos7部署运行演示
交互层提供了用户与系统之间交互的途径，通过简洁直观的web页面将系统展示给用户。业务逻辑层主要用于实现交互层的功能，根据业务逻辑实现用户信息、电影信息的管理，同时选取合适的推荐算法来完成相关推荐。推荐算法层分为统计推荐、离线推荐和实时推荐。统计推荐主要用统计的方法如计算评论数或评分等来推荐；离线推荐主要反映用户历史的电影喜好，因为计算量巨大需要离线定时运行；实时推荐主要反映用户近期的电影喜好，在离线计算好的数据基础上可以做到秒级、毫米级的计算延迟。存储层综合关系型数据库和非关系型数据库来存储用户数据、电影数据和推荐结果集。交互层、业务逻辑层、推荐算法层和存储层都将会部署在服务器端，用户在web页面上浏览时与服务器端通过HTTP协议来进行数据传输。
windows本地部署运行演示
总结
本文从实际生活的应用出发，综合运用各类技术，设计并实现了基于Spark的电影推荐系统。在本次课题研究中，所做的工作总结有以下几点：
（1）学习了许多推荐算法的原理；
（2）学习了许多之前的未接触过的技术，如Spark计算框架、ElasticSearch搜索引擎、MongoDB数据库和Vue前端框架等；
（3）详细分析了本系统的功能性需求和非功能性需求；
（4）详细设计了本系统的架构与各个功能模块，详细设计了系统所需的几种推荐算法，如统计推荐、离线推荐和实时推荐算法，详细设计了数据库并给出了优化策略；
（5）测试了推荐算法的误差，以及对系统进行了高并发的性能测试。
展望
虽然本文最终实现了基于Spark的电影推荐系统，但是仍还有进一步完善、优化和提升的空间。笔者提出以下两点优化意见：
（1）搭建Spark高性能集群
目前本系统还是三个节点的集群模式，但是面对日益庞大的数据量，单机的计算能力就有点捉襟见肘了。当搭建了Spark高性能集群，每台机器的计算和内存压力会减轻不少，大大提高了计算效率。
（2）探索其它推荐算法
由于本系统中用户评分矩阵十分稀疏，会对推荐算法的准确性有一定的影响。在以后的学习中，还可以探索其他推荐算法，使本系统具有更高的准确性。
