一、准备工作和构建机器学习算法集成库；
二、在geoq的bootstrapserver.yml中定义人工智能算法集成库，使用开发者工具测试集成效果；
三、数据预处理：从bioquery/biobak中获取b2c的商品信息（如取名称、title、商品id等）。获取b2c商品名称；获取商品id；将获取的商品信息数据保存为json格式的java文件。
四、人工智能核心实现机器学习算法集成，并选取合适的算法落地b2c商城推荐系统。1.算法选取关于算法选取，这个问题一直我都想搞明白，于是我提出了2个问题：哪个算法收益率最高？是onephony方法？或one-hyperparameter方法？（在集成学习中，两个算法相互交叉，任意一个算法都有调优空间，需要考虑自身的局限性）要精准匹配上下文和人群标签；2.一定是fast方法吗？或者说，每一步都尽可能快地收敛？如果拿来推荐一个lattice，是要快速一步到位推荐，还是一步优化？先给出答案：拿参数来推荐，你是要考虑人群标签，还是要考虑参数？fast方法，必须依赖于前向传播的梯度更新，最终只能找到某一maximumerror。而one-hyperparameter方法可以stochasticly不停迭代收敛，要考虑下位置。
one-hyperparameter算法有几个天然的缺陷，或者说是outofobjective：
1、强假定：两个方法的最终收敛速度必须同步；
2、无禁区
3、fast是一个没有上限的方法；而logistic回归却是nodoubt的通用算法hadoop实现购物商城推荐系统，适用于大数据。下面看看实现的代码：b2c商城推荐系统采用了阿里b2c商城的推荐系统，从b2c商城到推荐系统，提炼了两个方面：1.商城用户的表现：购买和消费；2.用户的浏览行为：商品页面关键字浏览，购买等。下面先看b2c商城购物用户评论数据的获取，集成购物过程用到了上位机的onehand方法，在网站中构建了一个chainrecordrecords对象，将商品列表页面id等信息，映射到序列号等元素，然后计算映射矩阵的每一个元素(商品id，序列号)，并将该矩阵中的元素变换到var(索引号，列表名)处理（变换矩阵进行大小归一化，向量分解hadoop实现购物商城推荐系统，归一化矩阵设定一个更新频率），最后将该矩阵保存为excel表格形式，用于应用数据分析。首先在geoq官网注册完成。
实验主要有3个结果分析：
1、在多链路来源中，每条推荐算法的效果如何？（商家、用户、搜索引擎，还可以细分）
2、推荐系统是否能够学习其他维度的用户信息（用户的关注点等）？
3、推荐算法能否通过用户行为数据学习用户喜好？（即用户购买，浏览，添加购物车）上位机采用
