本文用通俗易懂的方式介绍了推荐系统中常用的ALS（交替最小二乘法）算法。文章首先通过淘宝推荐、Netflix推荐等生活场景引出矩阵分解的任务：预测用户对未评分物品的偏好。核心思路是将用户-物品评分矩阵分解为用户特征矩阵和物品特征矩阵的乘积。为了优化预测效果，算法设置了包含误差平方和与正则化项的目标函数。ALS通过交替固定一个矩阵优化另一个矩阵的方式，将复杂的非凸优化问题转化为可求解的最小二乘问题，

flink实现复杂kafka数据读取

Yarn模式3种提交任务方式

使用脚本实现doris自动化部署

gateway整合sentinel限流

【推荐系统】手写ALS算法：基于矩阵分解的协同过滤（附Python源码）

1）站点层与浏览器层之间加入了一个反向代理层，利用高性能的nginx来做反向代理2）nginx将http请求分发给后端多个web-server优点：1）DNS-server不需要动2）负载均衡：通过nginx来保证3）只暴露一个外网ip，nginx->tomcat之间使用内网访问4）扩容实时：nginx内部可控，随时增加web-server随时实时扩容5）能够保证站点层的可用性：任何一台tomca

mqtt快速部署、集成、调优。

flink终止提交给yarn的任务

分布式场景下websocket解决方案