針對冷啟動的分布式協(xié)同過濾推薦系統(tǒng)的研究.pdf

1、協(xié)同過濾推薦技術(shù)能夠根據(jù)用戶的歷史評價信息數(shù)據(jù)，預(yù)測出用戶對目標(biāo)對象的潛在興趣值，并以此為依據(jù)提供為目標(biāo)用戶推薦其感興趣的內(nèi)容。傳統(tǒng)的協(xié)同過濾推薦技術(shù)隨著預(yù)測數(shù)據(jù)規(guī)模的持續(xù)增長，面臨著數(shù)據(jù)稀疏性、冷啟動和計算可擴展性等問題，導(dǎo)致協(xié)同過濾推薦算法的效果和效率都下降，進而使得用戶體驗嚴(yán)重失衡。
　　本文針對協(xié)同過濾推薦算法中數(shù)據(jù)稀疏性質(zhì)的冷啟動問題進行了深入的研究，具體工作包括如下三個方面的內(nèi)容：
　　1、提出了基于標(biāo)簽技術(shù)與兩

2、方向聚類的協(xié)同過濾推薦算法。算法先利用聚類后的標(biāo)簽以及標(biāo)簽與項目的關(guān)聯(lián)關(guān)系進行目標(biāo)內(nèi)容的評分預(yù)測；再通過計算目標(biāo)內(nèi)容的類別概率，將用戶和內(nèi)容劃分到多個類別中，然后在每個類別中對未評分內(nèi)容進行預(yù)測填充；最后，算法依據(jù)內(nèi)容相似度計算方法為用戶推薦目標(biāo)對象。
　　2、設(shè)計并實現(xiàn)了分布式框架中的聚類算法和推薦算法。聚類算法和推薦算法是本文提出的方法中的兩個關(guān)鍵內(nèi)容。在推薦算法中，這兩個算法非常消耗系統(tǒng)資源，本文應(yīng)用 MapReduce框架