22、Hadoop框架中最核⼼的设计是什么?

A. 　专门⽤于处理具有⾼度相互关联关系的数据

B. 　⽐较适合于社交⽹络、模式识别、依赖分析、推荐系统以及路径寻找等问题

C. 　灵活性⾼，⽀持复杂的图形算法

D. 　复杂性⾼，只能⽀持⼀定的数据规模

A. 　许多⾮图结构的⼤数据，通常会被转换为关系模型后进⾏分析

B. 　许多⼤数据都是以⼤规模图或⽹络的形式呈现

C. 　图数据结构很好地表达了数据之间的关联性

D. 　关联性计算是⼤数据计算的核⼼

A. 　RDD(ResillientDistributedDataset)是运⾏在⼯作节点(WorkerNode)的⼀个进程，负责运⾏Task

B. 　Application是⽤户编写的Spark应⽤程序

C. 　⼀个Job包含多个RDD及作⽤于相应RDD上的各种操作

D. 　DirectedAcyclicGraph反映RDD之间的依赖关系

A. 　读写分离

B. 　分库分表

C. 　数据安全

D. 　资源合并

A. 　协同过滤可分为基于⽤户的协同过滤和基于物品的协同过滤

B. 　UserCF算法符合⼈们对于”趣味相投”的认知，即兴趣相似的⽤户往往有相同的物品喜好

C. 　实现UserCF算法的关键步骤是计算物品与物品之间的相似度

D. 　基于物品的协同过滤算法(简称ItemCF算法)是⽬前业界应⽤最多的算法

A. 　灵活的可扩展性

B. 　灵活的数据模型

C. 　与云计算紧密融合

D. 　⼤型的数据库

A. 　间断性

B. 　原⼦性

C. 　⼀致性

D. 　持久性

A. 　描边(stroke)-颜⾊值

B. 　描边宽度(stroke-width)-数字(通常以像素为单位)

C. 　SVG的默认样式是⿊⾊填充

D. 　不透明度(opacity)–0.0(完全透明)和1.0(完全不透明)之间的数值

A. 　只⽀持少数⼏种编程语⾔

B. 　可扩展性⾼

C. 　成本低

D. 　能在linux上运⾏

A. 　UserCF算法的推荐更偏向社会化:适合应⽤于新闻推荐、微博话题推荐等应⽤场景，其推荐结果在新颖性⽅⾯有⼀定的优势

B. 　ItemCF算法的推荐更偏向于个性化

C. 　ItemCF随着⽤户数⽬的增⼤，⽤户相似度计算复杂度越来越⾼

D. 　UserCF推荐结果相关性较弱，难以对推荐结果作出解释，容易受⼤众影响⽽推荐热门物品