

版權(quán)說(shuō)明:本文檔由用戶(hù)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(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、隨著信息技術(shù)的飛速發(fā)展,Internet已成為包含海量信息和用戶(hù)的復(fù)雜網(wǎng)絡(luò),為全世界人們傳遞和共享信息。然而,海量的信息資源導(dǎo)致了“信息迷?!焙汀靶畔⑦^(guò)載”等問(wèn)題,使人們常常在信息的海洋里迷失方向,越來(lái)越難以準(zhǔn)確、高效地獲取自己需要的信息。為此,個(gè)性化服務(wù)技術(shù)應(yīng)時(shí)而生。推薦系統(tǒng)作為一種成熟的個(gè)性化服務(wù)技術(shù)已在社區(qū)交友、電子商務(wù)和科學(xué)研究等領(lǐng)域得到了廣泛的應(yīng)用。
常用的推薦技術(shù)包括:協(xié)同過(guò)濾推薦、基于模型的推薦、基于內(nèi)容的推薦和
2、混合推薦。其中,協(xié)同過(guò)濾技術(shù)因其推薦精度高、實(shí)現(xiàn)簡(jiǎn)單、易于用于實(shí)際系統(tǒng)而備受青睞。然而,除了稀疏性和冷啟動(dòng)問(wèn)題外,經(jīng)典的協(xié)同過(guò)濾算法,另一個(gè)最大的缺點(diǎn)是可擴(kuò)展性問(wèn)題,即隨著商品和用戶(hù)數(shù)量的增加,計(jì)算時(shí)間迅速的增加,影響了推薦的實(shí)時(shí)性。
本文針對(duì)協(xié)同過(guò)濾推薦算法的可擴(kuò)展性問(wèn)題,從項(xiàng)目或用戶(hù)向量的表示方法入手,剖析了對(duì)象屬性嚴(yán)格匹配的缺陷,提出了基于均模型的協(xié)同過(guò)濾推薦算法。另外重點(diǎn)考察了系統(tǒng)的運(yùn)行模式,設(shè)計(jì)實(shí)現(xiàn)了一種新的基于Ma
3、pReduce分布式框架的協(xié)同過(guò)濾推薦算法。
本文的創(chuàng)新點(diǎn)主要有兩個(gè),一是采用均模型來(lái)表示項(xiàng)目或用戶(hù)的特征,該模型通過(guò)抽取項(xiàng)目或用戶(hù)的關(guān)鍵特征,適當(dāng)濃縮向量的長(zhǎng)度,為在大規(guī)模數(shù)據(jù)集上進(jìn)行高效、實(shí)時(shí)的推薦提供支持;二是通過(guò)評(píng)測(cè)經(jīng)典協(xié)同過(guò)濾推薦算法的關(guān)鍵步驟,找到了適合用于MapReduce編程模式改進(jìn)的方法,并基于Hadoop實(shí)現(xiàn)原理選用合適的Map與Reduce方案,將基于均模型的協(xié)同過(guò)濾推薦算法的三大關(guān)鍵步驟所涉及的數(shù)據(jù)表達(dá)
4、、計(jì)算等問(wèn)題轉(zhuǎn)換為Map或Reduce操作,實(shí)現(xiàn)了算法的并行化。
本文采用的檢測(cè)數(shù)據(jù)是Grouplens提供的MovieLens100k、MovieLens1M、MovieLens10M三個(gè)數(shù)據(jù)集,主要從算法精度和運(yùn)行時(shí)間兩方面對(duì)經(jīng)典基于項(xiàng)目的協(xié)同過(guò)濾推薦算法、基于云模型的推薦算法和基于均模型的協(xié)同過(guò)濾算法進(jìn)行了對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明:基于均模型的協(xié)同過(guò)濾推薦算法在確保精度的前提下,能有效縮短項(xiàng)目相似性計(jì)算時(shí)間,易于處理大數(shù)據(jù)
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)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(qǐng)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(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶(hù)所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)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(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶(hù)上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶(hù)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(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶(hù)因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 協(xié)同過(guò)濾推薦算法研究及MapReduce實(shí)現(xiàn).pdf
- 基于MapReduce的協(xié)同過(guò)濾算法并行化研究.pdf
- 基于MapReduce的可擴(kuò)展協(xié)同過(guò)濾算法的研究.pdf
- 基于用戶(hù)協(xié)同過(guò)濾推薦算法的研究.pdf
- 基于協(xié)同過(guò)濾技術(shù)的推薦算法研究.pdf
- 基于協(xié)同過(guò)濾的圖書(shū)推薦算法研究.pdf
- 基于協(xié)同過(guò)濾技術(shù)的推薦算法研究
- 基于SVD的協(xié)同過(guò)濾推薦算法研究.pdf
- 基于協(xié)同過(guò)濾的器件推薦算法研究.pdf
- 協(xié)同過(guò)濾推薦算法研究.pdf
- 基于協(xié)同過(guò)濾的圖書(shū)推薦算法研究
- 協(xié)同過(guò)濾推薦算法改進(jìn)研究.pdf
- 新型協(xié)同過(guò)濾推薦算法研究.pdf
- 基于雙邊匹配的協(xié)同過(guò)濾推薦算法.pdf
- 基于用戶(hù)興趣的協(xié)同過(guò)濾推薦算法研究.pdf
- 基于大數(shù)據(jù)的協(xié)同過(guò)濾推薦算法研究.pdf
- 基于用戶(hù)行為協(xié)同過(guò)濾推薦算法.pdf
- 基于矩陣分解的協(xié)同過(guò)濾推薦算法研究.pdf
- 基于遷移學(xué)習(xí)的協(xié)同過(guò)濾推薦算法研究.pdf
- 基于時(shí)間權(quán)重的協(xié)同過(guò)濾推薦算法研究.pdf
評(píng)論
0/150
提交評(píng)論