基于云計算的個性化推薦系統(tǒng)關(guān)鍵技術(shù)研究.pdf

1、Internet技術(shù)的迅速發(fā)展使互聯(lián)網(wǎng)規(guī)模不斷擴大，信息數(shù)量呈爆炸式增長。面對海量的信息如果沒有合適的工具，人們很難在其中找到自己所需要的信息資源。推薦系統(tǒng)對用戶的歷史數(shù)據(jù)進行數(shù)據(jù)挖掘和分析，得到用戶偏好，以此向他們推薦感興趣的物品或信息資源，從而滿足用戶的個性化需求。
　　隨著數(shù)據(jù)處理量的增大，可擴展性問題成為制約推薦系統(tǒng)發(fā)展的瓶頸。將推薦系統(tǒng)與Hadoop分布式云計算平臺相結(jié)合能夠很好地解決這一問題。
　　首先，從 HD

2、FS分布式系統(tǒng)和MapReduce編程思想兩方面入手，深入研究了Hadoop的運行機制以及編程原理。在此基礎(chǔ)上，結(jié)合推薦系統(tǒng)的通用模型，設(shè)計了一個基于Hadoop的推薦系統(tǒng)架構(gòu)，詳細介紹了系統(tǒng)中每個模塊的設(shè)計思想。
　　其次，對近年來流行的協(xié)同過濾推薦算法和Slope One算法進行深入分析，利用 Mahout機器學(xué)習(xí)算法庫進行 Hadoop平臺上的協(xié)同過濾推薦算法實現(xiàn)，設(shè)計了基于Hadoop的Slope One算法的MapRed

3、uce并行化處理方案。
　　再次，在傳統(tǒng) Slope One算法的基礎(chǔ)上引入?yún)f(xié)同過濾思想，提出改進的 Slope One算法。將目標(biāo)用戶的 K個近鄰用戶的余弦相似度作為計算項目間評分差值的權(quán)重，并在Hadoop平臺上實現(xiàn)了改進算法的MapReduce并行化處理，提升了改進算法的數(shù)據(jù)處理能力。
　　然后，在 Hadoop集群上利用經(jīng)典的 Movielens數(shù)據(jù)集對改進算法的性能進行比較。分析實驗結(jié)果發(fā)現(xiàn)，改進算法的準(zhǔn)確度比傳統(tǒng)