大數(shù)據(jù)下的個性化推薦研究與實現(xiàn).pdf

1、互聯(lián)網(wǎng)技術(shù)的迅速發(fā)展使得大量的信息爆炸式的呈現(xiàn)在大眾面前。信息爆炸會降低信息的使用率，也就是所謂的“信息超載”。個性化推薦，包括個性化搜索是當(dāng)前研究的熱門領(lǐng)域，它可以很好的提升用戶體驗，從而提升企業(yè)營銷。通過相關(guān)的機器學(xué)習(xí)及數(shù)據(jù)挖掘技術(shù)，推薦系統(tǒng)挖掘用戶的購買傾向，將用戶可能感興趣的商品推薦給用戶。
　　個性化推薦系統(tǒng)通過對用戶信息或者商品信息建模，利用相關(guān)的數(shù)據(jù)挖掘算法計算出用戶可能感興趣的商品，并融入其他算法進(jìn)行篩選、優(yōu)化，來

2、進(jìn)行個性化推薦。一個良好的推薦系統(tǒng)可以挖掘出用戶潛在的消費偏好，為不同的用戶提供針對性的服務(wù)。
　　在本論文中，針對海量大數(shù)據(jù)這一需求背景，提出了基于協(xié)同過濾以及基于內(nèi)容的組合推薦算法搭建的個性化推薦引擎模型，并嘗試性的融入了基于文本相似度的熱點推薦。該模型是針對大數(shù)據(jù)推薦所面臨的問題而提出的，它包括離線數(shù)據(jù)計算與在線推薦兩個主要模塊。離線數(shù)據(jù)計算模塊被用于離線計算用戶初始的偏好商品列表，在線推薦模塊被用于實時分析用戶的行為，進(jìn)而

3、優(yōu)化篩選離線計算的推薦結(jié)果，最終將最優(yōu)的結(jié)果推薦給用戶。兩者結(jié)合可以提供完整，動態(tài)的推薦服務(wù)。接著深入分析了傳統(tǒng)協(xié)同過濾算法的弊端，提出了一種組合推薦的方案進(jìn)行改進(jìn)，最后通過國內(nèi)某電商的真實數(shù)據(jù)集以及 MovieLens數(shù)據(jù)集進(jìn)行仿真實驗，論證改進(jìn)的合理性。
　　在上述改進(jìn)算法的基礎(chǔ)上，本文實現(xiàn)了一種適用于大數(shù)據(jù)環(huán)境的推薦引擎平臺架構(gòu)模型。具體搭建過程采用了現(xiàn)在最流行的分布式大數(shù)據(jù)框架Hadoop，以及機器學(xué)習(xí)框架Mahout，并