協(xié)同過濾推薦算法研究及MapReduce實現(xiàn).pdf_第1頁
已閱讀1頁,還剩56頁未讀 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)

文檔簡介

1、隨著互聯(lián)網(wǎng)技術(shù)的高速發(fā)展,數(shù)據(jù)信息呈現(xiàn)出爆炸式增長,互聯(lián)網(wǎng)將人類帶入了大數(shù)據(jù)時代。用戶要在海量數(shù)據(jù)中挑選出自己真正需要的信息好比大海撈針,如何在眾多信息中迅速挖掘用戶感興趣的關(guān)鍵信息并推送給用戶,成為當(dāng)下學(xué)界和業(yè)界共同關(guān)注的熱點問題。近年來,推薦系統(tǒng)作為一種智能的個性化信息服務(wù)技術(shù)在國內(nèi)外得到迅速崛起,并在電子商務(wù)、視頻娛樂、社交網(wǎng)絡(luò)等多個領(lǐng)域得到廣泛應(yīng)用。
  經(jīng)過多年的發(fā)展,推薦系統(tǒng)已經(jīng)衍生出基于內(nèi)容的推薦、基于數(shù)據(jù)挖掘的推薦

2、、協(xié)同過濾推薦等多種推薦技術(shù)。其中,協(xié)同過濾推薦技術(shù)是應(yīng)用最為廣泛的推薦技術(shù)。但是,協(xié)同過濾推薦算法存在著數(shù)據(jù)稀疏、推薦精度低等問題,特別在大數(shù)據(jù)背景下,協(xié)同過濾推薦算法的數(shù)據(jù)稀疏問題、推薦精度問題被進一步放大,使之成為推薦系統(tǒng)的發(fā)展和應(yīng)用的瓶頸?;诖?,本文完成了如下工作:
  第一,針對協(xié)同過濾推薦系統(tǒng)中的數(shù)據(jù)稀疏性問題,提出了基于專家用戶和項目信任度的數(shù)據(jù)填充方法。該方法根據(jù)專家信任度值,選擇評分數(shù)量多、評分質(zhì)量好的用戶作為

3、專家用戶。同時,該方法綜合考慮項目評分數(shù)和標準差作為項目信任度的評估值,使信任度高的項目作為可行項目,并采用專家用戶的評分對高信任度項目的缺失項進行填充,從而在保證填充質(zhì)量的前提下有效降低數(shù)據(jù)的稀疏度,并通過實驗驗證該算法的有效性。
  第二,結(jié)合K-Means算法和基于項目的協(xié)同過濾推薦算法,提出了基于聚類和非對稱權(quán)重混合相似度的協(xié)同過濾推薦算法(CFCA)。該算法首先完成了基于評分穩(wěn)定項目的K-Means聚類,然后在類中采用非

4、對稱權(quán)重混合相似度進行相似度計算,并據(jù)此給出推薦結(jié)果。該算法綜合考慮項目之間共同用戶評分的交疊狀況和項目的評分數(shù),提高了相似度計算的準確性,進而提高推薦質(zhì)量。針對本文提出的算法,論文完成了在不同條件下CFCA算法與傳統(tǒng)協(xié)同過濾推薦算法的實驗對比。實驗結(jié)果表明,本文提出的算法,能夠有效的提高算法的推薦精度。
  第三,為提高算法效率、降低算法運算時間,本文設(shè)計了CFCA算法MapReduce并行編程模型,并完成了該模型下數(shù)據(jù)預(yù)處理、

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論