基于Hadoop平臺的分布式推薦系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn).pdf

1、隨著互聯(lián)網(wǎng)技術(shù)的普及，數(shù)據(jù)量的快速增長與獲取信息成本的下降，給用戶帶來了信息過載的困擾。推薦系統(tǒng)作為信息過濾的工具之一，有著廣泛的適用場景，包括一些難以對物品進(jìn)行特征提取的場景，而且有較好的長尾挖掘能力。另外，隨著系統(tǒng)數(shù)據(jù)量的激增，原有單機(jī)環(huán)境下的推薦系統(tǒng)會逐漸面臨性能的瓶頸，因而，大數(shù)據(jù)量對推薦系統(tǒng)的實(shí)現(xiàn)提出新的要求。
　　本文著重對推薦算法的準(zhǔn)確率與推薦系統(tǒng)的可擴(kuò)展性進(jìn)行分析研究。為了更加準(zhǔn)確的模擬預(yù)測用戶行為，提升推薦算法的

2、準(zhǔn)確率，本文首先利用MovieLens數(shù)據(jù)集對用戶行為模式進(jìn)行了研究與分析，并將對用戶行為的影響因子抽象為共性因子與個性因子，以這兩類因子為維度，對經(jīng)典推薦算法進(jìn)行分析，并以此為基礎(chǔ)，提出了針對兩類影響因子進(jìn)行優(yōu)化的改進(jìn)推薦算法。隨后，為了匹配不同用戶行為模式的差異性，更加準(zhǔn)確的預(yù)測用戶行為，本文將上述兩種推薦算法的獨(dú)立運(yùn)行結(jié)果加權(quán)混合，并對混合權(quán)重進(jìn)行自適應(yīng)學(xué)習(xí)，從而構(gòu)建混合推薦算法。最后，為了提升推薦系統(tǒng)的可擴(kuò)展性，本文引入了Had