35、电影推荐与内存控制：Elasticsearch 实战解析

电影推荐与内存控制：Elasticsearch 实战解析

1. 电影数据与推荐策略

1.1 数据概述

在电影数据集中，mlmovies中的每个文档代表一部电影，关键数据为电影的_id和标题，offset和bytes可忽略。该数据集包含 10,681 部电影。而mlratings则记录了用户的电影推荐信息，每个文档代表一个用户，user字段为用户 ID，movie字段列出了该用户观看并推荐的电影列表。

1.2 基于流行度的推荐

我们以《塔拉迪加之夜：瑞奇鲍比的民谣》（Talladega Nights: The Ballad of Ricky Bobby）为例，尝试基于流行度进行电影推荐。具体步骤如下：
1.查找电影 ID：

GET mlmovies/_search { "query": { "match": { "title": "Talladega Nights" } } }

通过上述查询，可知《塔拉迪加之夜》的 ID 为 46970。
2.筛选并聚合推荐：

GET