A、 Controller服务器向UMP集群提供各种管理服务
B、 Controller服务器上运⾏了⼀组Mnesia分布式数据库服务
C、 当其它服务器组件需要获取⽤户数据时,不可以向Controller服务器发送请求获取数据
D、 为了避免单点故障,保证系统的⾼可⽤性,UMP系统中部署了多台Controller服务器
答案:C
A、 Controller服务器向UMP集群提供各种管理服务
B、 Controller服务器上运⾏了⼀组Mnesia分布式数据库服务
C、 当其它服务器组件需要获取⽤户数据时,不可以向Controller服务器发送请求获取数据
D、 为了避免单点故障,保证系统的⾼可⽤性,UMP系统中部署了多台Controller服务器
答案:C
A. 负责资源监控和作业调度,监控所有TaskTracker与Job的健康状况
B. 使⽤”slot”等量划分本节点上的资源量(CPU、内存等)
C. 会周期性地通过”⼼跳”将本节点上资源的使⽤情况和任务的运⾏进度汇报给TaskTracker
D. 会跟踪任务的执⾏进度、资源使⽤量等信息,并将这些信息告诉任务(Task)
A. Controller服务器
B. Proxy服务器
C. 愚公系统
D. 数据处理服务器
A. 增加数据量
B. 删除重复数据
C. 提高数据质量
D. 降低存储空间
A. ⽬录
B. ⽂件
C. 块
D. 磁盘
A. 基于⽤户的协同过滤
B. 基于物品的协同过滤
C. 基于⽤户和物品的联合协同过滤
D. 基于商家的协同过滤
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. 专家推荐:⼈⼯推荐,由资深的专业⼈⼠来进⾏物品的筛选和推荐,需要较多的⼈⼒成本
B. 基于统计的推荐:基于统计信息的推荐(如热门推荐),易于实现,但对⽤户个性化偏好的描述能⼒较弱
C. 基于内容的推荐:通过机器学习的⽅法去描述内容的特征,并基于内容的特征来发现与之相似的内容
D. 混合推荐:结合多种推荐算法来提升推荐效果
A. 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
B. ItemCF算法是给⽬标⽤户推荐那些和他们之前喜欢的物品相似的物品
C. ItemCF算法通过建⽴⽤户到物品倒排表(每个⽤户喜欢的物品的列表)来计算物品相似度
D. UserCF算法推荐的是那些和⽬标⽤户有共同兴趣爱好的其他⽤户所喜欢的物品
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. 强⼤的跨平台兼容性
B. ⽀持⼤规模⽂件存储
C. 简化系统设计
D. 适合数据备份