基于互聯(lián)網(wǎng)用戶特征的商品推薦系統(tǒng)研究——基于Hadoop和Mahout.pdf

1、隨著大數(shù)據(jù)時(shí)代的到來，數(shù)據(jù)開始呈爆炸式的增長，互聯(lián)網(wǎng)用戶越來越被淹沒在數(shù)據(jù)的海洋之中。因此，如何幫助用戶從海量的信息中找到真正感興趣的資源成為一個(gè)亟待解決的問題。商品推薦系統(tǒng)作為電子商務(wù)網(wǎng)站一種通用的商品信息過濾手段，通過收集用戶的個(gè)性化信息，預(yù)測(cè)用戶可能感興趣的商品，從而進(jìn)行針對(duì)具體用戶的個(gè)性化商品推薦。但是，傳統(tǒng)的商品推薦系統(tǒng)在具體運(yùn)行中面臨著冷啟動(dòng)、數(shù)據(jù)稀疏性和可擴(kuò)展性等問題。
　　本文從商品推薦系統(tǒng)的研究背景、研究意義和研

2、究現(xiàn)狀入手，對(duì)推薦系統(tǒng)常見算法以及所面臨的問題進(jìn)行了較深入研究。在此基礎(chǔ)上，提出了基于用戶特征的推薦算法和改進(jìn)的基于項(xiàng)目的協(xié)同過濾算法，從而在一定程度上緩解了推薦系統(tǒng)面臨的主要挑戰(zhàn)。最后，借助于Mahout、MapReduce、Hive和HBase等工具，本文在Hadoop平臺(tái)上實(shí)現(xiàn)了這些算法，并構(gòu)建了一個(gè)基于用戶特征的商品推薦系統(tǒng)原型。總結(jié)起來，本文的主要工作體現(xiàn)在以下幾個(gè)方面:
　　1)對(duì)用戶冷啟動(dòng)問題的改進(jìn):對(duì)多維數(shù)據(jù)交叉利

3、用方法進(jìn)行擴(kuò)展，并通過整合全網(wǎng)絡(luò)用戶行為的日志信息，從中挖掘用戶的興趣及偏好特征，提出了基于用戶特征的推薦算法，從而在一定程度上緩解了用戶冷啟動(dòng)問題。
　　2)對(duì)數(shù)據(jù)稀疏性問題的改進(jìn):將商品粗粒度化方法應(yīng)用到傳統(tǒng)的協(xié)同過濾算法中，提出了改進(jìn)的基于項(xiàng)目的協(xié)同過濾算法。該算法對(duì)商品按照品類計(jì)算相似度，在此基礎(chǔ)上將該品類下評(píng)分最高的一些商品推薦給用戶，從而在一定程度上緩解了數(shù)據(jù)稀疏性問題。
　　3)對(duì)可擴(kuò)展性問題的改進(jìn):應(yīng)用Map

4、Reduce、Hive和Mahout工具，在Hadoop上實(shí)現(xiàn)了基于用戶特征的推薦算法和改進(jìn)的基于項(xiàng)目的協(xié)同過濾算法，完成了算法的并行化，從而在一定程度上提高了系統(tǒng)的可擴(kuò)展性。本文將商品信息存儲(chǔ)到HBase中，用戶特征信息存儲(chǔ)到Hive中，借助于Hive分析用戶的特征，有效地解決了大數(shù)據(jù)的存儲(chǔ)與分析問題。
　　4)借助于Hadoop、MapReduce、Hive、HBase和Mahout等工具，設(shè)計(jì)并實(shí)現(xiàn)了基于用戶特征的商品推薦系