基于分布式流处理框架下的移动健身管理系统研究

《基于分布式流处理框架下的移动健身管理系统研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于分布式流处理框架下的移动健身管理系统研究　　摘要：基于实时推荐的移动健身管理平台，将健身视频与健身管理结合，同时满足用户学习健身方法的需求和科学管理健身数据的需求。该系统实现了基于Android平台的移动健身管理应用，具备科学记录用户健身和饮食数据的功能和视频分享功能。通过对目前已有推荐系统算法的研究，根据系统和开发平台的特点，设计出一种实时视频推荐算法，然后基于目前流行的分布式流处理计算框架ApacheStorm实现了实时视频推荐引擎，移动健身管理应用提供视频实时推荐服务。　　关键词：健身管理；视频；实时推荐；安卓　　中图分类号：TN911?34；

2、TM417文献标识码：A文章编号：1004?373X（2016）21?0132?05　　Researchonmobilefitnessmanagementsystembasedon　　distributedstreamprocessingframework　　SUNKaitao　　（CollegeofApplicationEngineering，HenanUniversityofScienceandTechnology，Sanmenxia472000，China）　　Abstract：Onthebasisofthemobilefitnessmanagem

3、entplatformbasedonreal?timerecommendation，thecombinationoffitnessvideoandfitnessmanagementcansimultaneouslymeettherequirementsoflearningfitnessmethodandscientificfitnessdata13managementforusers.ThesystemrealizedtheapplicationofmobilefitnessmanagementbasedAndroidplatform，andhasthe

4、functionsofscientificallyuserfitnessanddietdatarecording，andvideosharing.Accordingtothestudyoftheavailablerecommendationsystemalgorithmandcharacteristicsofsystemanddevelopmentplatform，areal?timevideorecommendationalgorithmwasdesigned.Thereal?timevideorecommendationenginewasrealiz

5、edbasedonthepopulardistributedstreamprocessingcomputingframeworkApacheStorm，inwhichthemobilefitnessmanagementapplicationprovidesthevideoreal?timerecommendationservice.　　Keywords：fitnessmanagement；video；real?timerecommendation；Android　　0引言　　互联网上有大量关于各类健身运动等资源供参考，能够帮助人们更合理地安排健身计划和饮

6、食计划。移动设备和移动互联网的普及使这些海量资源可以随时随地被获取，满足了人们对运动和饮食信息的即时性需求。然而面对海量的信息资源，用户很难在短时间内获取符合自身需要的信息，有价值的资源有很多，帮助用户找到符合自身需求的信息至关重要。推荐系统正是为解决这个问题而产生的。推荐系统可以通过采集和分析用户的历史浏览数据，从大量视频中找到符合用户需求的视频，生成推荐列表返回给用户。　　1系统概要设计13　　1.1系统架构设计　　（1）系统物理架构　　本系统实现了客户端/服务器（C/S）和浏览器/服务器（B/S）两种软件架构。普通用户通过Android移动客户端与

7、服务器进行交互，实现健身管理和视频观看功能；系统管理员通过浏览器与服务器进行交互，对基础数据和用户进行管理。实时推荐系统的主节点运行在应用服务器上，其他工作节点运行在分布式集群上，为用户提供实时视频推荐服务。　　（2）系统逻辑架构　　移动健身管理平台中有用户和后台管理员两种角色，分别通过移动客户端和浏览器与服务器交互。系统的结构自顶向下分为视图层、控制层、模型层、基础服务层和数据层。移动客户端的视频推荐功能由独立的实时视频推荐系统和服务器通过Redis数据库交互，为视频推荐功能提供用户的推荐列表。系统的架构图如图1所示。　　实时视频推荐需要经过离线计算和

8、在线计算两个步骤。离线计算以用户的历史行为数据为注入，建立用户兴趣模型，生成离线