九。基于内容的电影推荐
在基于内容的推荐系统中，我们得到的关于内容的信息越多，算法就会越复杂（设计的变量更多），不过推荐也会更准确，更合理。
本次基于评分，提供一个3阶段的MR解决方案来实现电影推荐。
1.找出各个电影的评分人总数
2.对于每个电影对A和B,找出所有同时对A和B评分的人。
3.找出每两个相关电影之间的关联。在这个阶段，我使用3个不同的关联度算法（pearson,cosine,jaccard）一般要根据具体的数据需求来选择关联度算法。
数据的输入格式：
第一阶段转化完之后：
经过MR阶段2的map阶段后：
经过排序和洗牌之后的输出：
在经过MR阶段2的reduce（）后：
第三阶段MR的map阶段的输出：
第三阶段MR的reduce的输入：
reduce代码：
spark的基本步骤：
1.导入所需要的类和接口；
2.处理输入参数；
3.创建一个spark上下文对象；
4.读取hdfs文件并创建第一个RDD；
5.找出谁曾对这个电影评分；
6.按movie对moviesRDD分组；
7.找出每个电影的评分人数，然后创建（K，V）为usersRDD = <K=user,V=<movie,rating,numberofRaters>>
8.将usersRDD与自身连接，找出所有（movie1,movie2）对 joinedRDD = userRDD.join(userRDD) joinedRDD= （user，T2((m1,r1,n1),(m2,r2,n2))）
9.删除重复的(movie1,movie2)对；
10生成所有的（movie1，movie2）组合。
11.按键（movie1,movie2）对moviePairs分组
12计算每个（movie1,movie2）对的关联度
十。使用马尔科夫模型的智能营销
先说说马尔科夫：
使用马尔科夫的智能营销的大致流程：
其中使用MR生成有序数据:可以采用之前说的二次排序的方式。
状态序列的生成：
采用的策略：
