15.大数据技术中的流处理主要用于处理哪种类型的数据?( )

A. 　⽤户建模模块:对⽤户进⾏建模，根据⽤户⾏为数据和⽤户属性数据来分析⽤户的兴趣和需求

B. 　推荐对象建模模块:根据对象数据对推荐对象进⾏建模

C. 　推荐算法模块:基于⽤户特征和物品特征，采⽤推荐算法计算得到⽤户可能感兴趣的对象

D. 　推荐算法模块:根据推荐场景对推荐结果进⾏⼀定调整，将推荐结果最终展⽰给⽤户

A. 　DougCutting

B. 　Lucene

C. 　Apache

D. 　MapReduce

A. 　基于物品和商家的联合协同推荐

B. 　基于统计的推荐

C. 　专家推荐

D. 　基于内容的推荐

A. 　从磁盘或从⽹络读取数据，即IO密集⼯作

B. 　计算数据，即CPU密集⼯作

C. 　针对不同的⼯作节点选择合适硬件类型

D. 　负责协调集群中的数据存储

A. 　顶点的当前值

B. 　以该顶点为起点的出射边列表，每条出射边包含了⽬标顶点ID和边的值

C. 　消息队列，包含了所有接收到的、发送给该顶点的消息

D. 　标志位，⽤来标记顶点是否处于活跃状态

A. 　为特定的图应⽤定制相应的分布式实现:通⽤性不好

B. 　基于现有的分布式计算平台进⾏图计算:在性能和易⽤性⽅⾯往往⽆法达到最优

C. 　使⽤单机的图算法库，但是，在可以解决的问题的规模⽅⾯具有很⼤的局限性

D. 　使⽤已有的并⾏图计算系统，但是，对⼤规模分布式系统⾮常重要的⼀些⽅⾯(⽐如容错)，⽆法提供较好的⽀持

A. 　”摩尔定律”，CPU性能⼤约每隔18个⽉翻⼀番

B. 　分布式程序运⾏在⼤规模计算机集群上

C. 　⾕歌公司最先提出了分布式并⾏编程模型MapReduce

D. 　MapReduce是Hadoop的开源实现

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

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. 　实时获取来⾃不同数据源的海量数据，经过实时分析处理，获得有价值的信息

B. 　流计算秉承⼀个基本理念，即数据的价值随着时间的流逝⽽降低

C. 　对于⼀个流计算系统来说，它应该⽀持TB级甚⾄是PB级的数据规模

D. 　流计算只需要保证较低的延迟时间，即只达到秒级别即可处理⼀切问题