智能化规则引擎技术研究

在今天这个急剧变化的市场上,高效的业务决策可以带来重要的竞争优势。对业务进行有效的规则管理就是决策者通过制定规则采用适合于本企业的决策模式,以达到企业管理的一种管理方法。本文阐述了智能化规则引擎产生的需求背景,详细介绍了规则引擎的定义、实现原理。描述了业务规则定义,决策矩阵和决策树的配置原则。以及规则引擎在与外部业务系统进行交互的情况下,如何进行有效的测试和系统调用。

大数据平台实时计算监控方案分析

在实时业务数据处理中,需要用到Flume、Kafka、Slipstream等一系列功能组件。在前台业务系统与大数据平台的数据传输过程中,需要监控数据是否正常流动。如果出现了异常,需要定位异常出现的位置。通过一系列的监控工具和方法,可以快速定位各个环节的功能组件是否正常运行。该技术方案的主要目的是为了监控大数据平台实时数据计算的整体流程是否正常工作,前台业务系统与大数据平台内部的数据校验、大数据平台内部的数据校验逻辑是否正确。一方面可以在日常开发过程中验证数据的可靠性,另一方面也可以帮助运维人员更快更精准地定位到产生异常数据的问题所在,从而对现有的业务逻辑进行优化,提高业务效率。

大数据平台数据实时接出服务的技术实现

在DT时代,数据是宝贵的生产资料,新业务模式的创新离不开数据的支持,但不断扩大的数据规模也给大数据计算服务带来了极大的挑战。随着大数据平台服务能力的不断增强,下游应用系统对于数据获取方式和频率也在不断变化。传统的以离线文件传输提供数据的方式已不能满足下游系统的多样性需求,因此大数据平台需要对外部系统提供一种全新的数据实时接出服务功能,以满足各应用系统对于关键、敏感、核心业务数据信息的及时获取需求。数据接出服务作为大数据平台数据传输的接口,应满足客户端对获取数据服务的需求。数据接出服务采用RESTAPI的方式对外提供数据接出接口,客户端在经过安全验证后可以方便快捷地实现数据获取。

基于Spark的上下文感知推荐算法的研究

推荐系统是大数据在互联网方面最成功的应用之一,是一种更高级的信息检索工具。推荐系统的核心是推荐算法,其直接影响着推荐结果与用户的真实兴趣的契合程度。原始评价矩阵稀疏、实际因素考虑欠缺等因素是目前推荐算法主要解决的方向,该文提出的上下文感知算法对这些影响因子做出了优化。首先对原始矩阵进行填充,合理增加矩阵稠密性,然后结合物品的上下文信息,得到用户偏好度矩阵,最后通过优化的皮尔逊相似度得到近邻用户,得到用户对物品的预测评分。通过对算法结果的多方面分析,表明了优化后算法的准确性与适用性。