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
答案：ABCD
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
答案：ABCD
A. 数据的”⼤量化”
B. 数据的”快速化”
C. 数据的”多样化”
D. 数据的”价值化”
A. 属于关系型数据库:⽀持使⽤TSQL来管理、创建和操作云数据库
B. ⽀持存储过程:它的数据类型、存储过程和传统的SQLServer具有很⼤的相似性
C. ⽀持⼤量数据类型
D. ⽀持云中的事务:⽀持局部事务，但是不⽀持分布式事务
A. 把⽂件分布存储到多个计算机节点上，成千上万的计算机节点构成计算机集群
B. ⽤于在Hadoop与传统数据库之间进⾏数据传递
C. ⼀个⾼可⽤的，⾼可靠的，分布式的海量⽇志采集、聚合和传输的系统
D. ⼀种⾼吞吐量的分布式发布订阅消息系统，可以处理消费者规模的⽹站中的所有动作流数据
A. CA:也就是强调⼀致性(C)和可⽤性(A)，放弃分区容忍性(P)
B. CP:也就是强调⼀致性(C)和分区容忍性(P)，放弃可⽤性(A)
C. AP:也就是强调可⽤性(A)和分区容忍性(P)，放弃⼀致性(C)
D. CAP:也就是同时兼顾可⽤性(A)、分区容忍性(P)和⼀致性(C)，当时系统性能会下降很多
A. 库函数:链接到每个客户端
B. ⼀个Master主服务器
C. 许多个Region服务器
D. 部署在廉价的计算机集群中
A. 性能好(⾼并发)，灵活性⾼
B. 具备统⼀的查询语法
C. ⽂档数据库⽀持⽂档间的事务
D. 复杂性低，数据结构灵活
A. 泊松相关系数
B. 余弦相似度
C. 调整余弦相似度
D. 调整正弦相似度
A. Hadoop擅长批处理，不适合流计算
B. MapReduce是专门⾯向静态数据的批量处理的
C. Hadoop设计的初衷是⾯向⼤规模数据的批量处理
D. MapReduce不适合⽤于处理持续到达的动态数据
A. FieldsGrouping:⼴播发送，每⼀个Task都会收到所有的Tuple
B. GlobalGrouping:全局分组，所有的Tuple都发送到同⼀个Task中
C. NonGrouping:不分组，和ShuffleGrouping类似，当前Task的执⾏会和它的被订阅者在同⼀个线程中执⾏
D. DirectGrouping:直接分组，直接指定由某个Task来执⾏Tuple的处理
A. 数据快速持续到达，潜在⼤⼩也许是⽆穷⽆尽的
B. 数据来源众多，格式复杂
C. 注重数据的整体价值，不过分关注个别数据
D. 系统可以控制将要处理的新到达的数据元素的顺序
