基于移動(dòng)終端個(gè)性化推送服務(wù)的研究與實(shí)現(xiàn).pdf

1、在大數(shù)據(jù)環(huán)境下，企業(yè)已經(jīng)擁有了龐大的零售戶(hù)信息數(shù)據(jù)以及訂單數(shù)據(jù)。零售戶(hù)在全國(guó)范圍內(nèi)的數(shù)量已經(jīng)超過(guò)了800萬(wàn)家，每月都會(huì)產(chǎn)生大量訂單信息，隨著時(shí)間的推移，這個(gè)訂單信息數(shù)據(jù)量已經(jīng)達(dá)到TB級(jí)別，大量的數(shù)據(jù)能夠方便企業(yè)更好的了解零售戶(hù)的詳細(xì)信息以及市場(chǎng)動(dòng)態(tài)。然而怎樣應(yīng)用現(xiàn)有的海量的數(shù)據(jù)仍舊困擾著企業(yè)，面對(duì)現(xiàn)階段海量的信息數(shù)據(jù)，推薦系統(tǒng)出現(xiàn)了。推薦系統(tǒng)是一種利用歷史數(shù)據(jù)的關(guān)聯(lián)分析的技術(shù)，是一種極具潛力的處理數(shù)據(jù)過(guò)載的服務(wù)技術(shù)。
　　近年來(lái)以

2、智能手機(jī)為代表的移動(dòng)終端的普及和用戶(hù)數(shù)量快速增加，移動(dòng)終端在信息的獲取中古據(jù)著越來(lái)越重要的作用。解決信息過(guò)載問(wèn)題，協(xié)同過(guò)濾技術(shù)是目前推薦系統(tǒng)中最成功且應(yīng)用最廣泛的個(gè)性化推薦技術(shù)，無(wú)論是在理論研究還是在實(shí)際的實(shí)踐中都取得了較快的發(fā)展。然而傳統(tǒng)的協(xié)同過(guò)濾算法面臨著諸多問(wèn)題:如原始評(píng)價(jià)數(shù)據(jù)稀疏、用戶(hù)間的相似性難以度量、系統(tǒng)可擴(kuò)展性差等方面的制約，影響了推薦效果。面對(duì)上述問(wèn)題對(duì)推薦算法的制約，采用以下方法對(duì)原始的過(guò)濾算法進(jìn)行優(yōu)化，主要工作如下:

3、
　　1)針對(duì)用戶(hù)間相似性難以度量對(duì)過(guò)濾算法應(yīng)用的制約，提出了一種計(jì)算用戶(hù)間的混亂程度來(lái)衡量用戶(hù)間的相似性。首先是通過(guò)計(jì)算用戶(hù)間的評(píng)分差，也就是同一個(gè)項(xiàng)目?jī)蓚€(gè)不同用戶(hù)評(píng)分的差值;其次對(duì)評(píng)分的差值進(jìn)行加權(quán)信息熵計(jì)算來(lái)表示用戶(hù)評(píng)分的相似度;同時(shí)在計(jì)算用戶(hù)相似度時(shí)也要關(guān)注活躍用戶(hù)對(duì)共同評(píng)分項(xiàng)目的影響，盡可能的減少活躍用戶(hù)對(duì)交集圈大小的影響。實(shí)驗(yàn)結(jié)果表明，在原始評(píng)分?jǐn)?shù)據(jù)稀疏不變的情況下，改進(jìn)后的算法緩解了傳統(tǒng)的推薦算法在數(shù)據(jù)稀疏的情況下相

4、似度度量不準(zhǔn)確的問(wèn)題，提高了用戶(hù)間的相似度的精度和推薦精度。
　　2)針對(duì)可擴(kuò)展性差對(duì)傳統(tǒng)算法應(yīng)用的制約，提出了一種基于SVD的二分k-means協(xié)同過(guò)濾推薦算法，系統(tǒng)只需要存儲(chǔ)奇異值分解后的用戶(hù)或者項(xiàng)目的奇異矩陣，用戶(hù)或者項(xiàng)目的特征向量維數(shù)大大降低，保證了推薦精確度的同時(shí)，節(jié)省了更多的存儲(chǔ)空間。該算法利用用戶(hù)與項(xiàng)目之間的潛在關(guān)系克服了稀疏性問(wèn)題，同時(shí)保留了聚類(lèi)方法實(shí)時(shí)性好、可擴(kuò)展性強(qiáng)等優(yōu)點(diǎn)，實(shí)驗(yàn)結(jié)果表明該算法有效的解決了傳統(tǒng)的協(xié)