基于Hadoop的電子商品推薦系統(tǒng)研究.pdf

1、隨著網(wǎng)絡的迅猛發(fā)展，在海量數(shù)據(jù)中發(fā)現(xiàn)用戶需要的信息日趨困難。為了解決這類“信息過載”問題，個性化推薦系統(tǒng)應運而生，它能夠根據(jù)用戶的歷史記錄感知用戶的興趣和需求，從而為用戶提供個性化的資源推薦服務。近年來已有不少推薦算法被相繼提出并應用于實踐，本文以協(xié)同過濾技術為基礎，以分布式開源軟件ApacheHadoop為實驗平臺，針對電影這類物品的推薦算法進行了研究，另外對推薦系統(tǒng)所面臨的數(shù)據(jù)稀疏、冷啟動、系統(tǒng)擴展及時效性等問題也進行了研究。主要工

2、作如下:
　　1.提出了一種基于用戶興趣的聚類算法，并結合帶有時間因子的協(xié)同過濾推薦算法構建了實時推薦系統(tǒng)。該算法首先根據(jù)用戶對不同物品類型的偏好度對用戶進行聚類，然后對協(xié)同過濾算法添加時間因子，使得推薦算法能體現(xiàn)出用戶興趣變化，計算的結果向同類用戶推薦。實驗表明該方法相對于單純使用協(xié)同過濾推薦算法在推薦結果的準確率和召回率有了部分提升。
　　2.給出一種解決數(shù)據(jù)稀疏性問題的方法。首先計算用戶對每個電影類型的偏好值，當需要對

3、沒看過的電影進行預評分時，由該電影所屬的類型，結合用戶相應的類型偏好值求平均，作為該用戶對該電影的預評分值。實驗結果表明，該方法填充后的電影推薦在準確率、召回率上有一定程度的提高。
　　3.分別給出解決目標用戶和目標物品冷啟動問題的方法。本文采用眾數(shù)法來度量目標用戶和目標物品的評分眾數(shù)，將大眾都喜愛的物品推薦給新用戶，將新物品推薦給興趣比較廣泛的用戶。實驗得出采用的眾數(shù)法其平均絕對偏差MAE比常用的平均值法小，說明眾數(shù)法在緩解新用