基于GPU和內容標簽的個性化推薦系統(tǒng)研究.pdf

1、互聯網的快速發(fā)展給人們的生活和工作帶來了巨大的便利,但是Web上的海量信息也產生了“信息泛濫”的問題。如何構建行之有效的個性化推薦系統(tǒng),快速高效地分析出用戶的個性化行為模型,為用戶推薦出他們真正喜歡的信息內容,是目前各大商業(yè)化網站的重要研究內容之一。但是,研究人員在開發(fā)基于用戶個性化需求的Web推薦系統(tǒng)的過程中遇到了以下兩個主要問題:第一,需要提高個性化推薦算法的準確性,保證推薦的結果確實是用戶當前需要的信息;其次,需要優(yōu)化推薦系統(tǒng)的執(zhí)

2、行效率,加快算法執(zhí)行速度,為用戶提供接近于實時的個性化推薦服務。
　　 本文對傳統(tǒng)的基于內容的推薦算法和基于條目的協(xié)同過濾算法進行分析,在社會化內容標簽的基礎上,設計出了一種新的混合型的推薦方法,同時在CUDA(Compute UnifledDevice Architecture,統(tǒng)一計算設備架構)體系下利用GPU(Graphic Processing Unit,圖形處理器)對算法進行了多方面的優(yōu)化。
　　 本文用這種混

3、合型的推薦算法在MovieLens提供的數據集上進行了用戶的個性化推薦,實驗結果表明,與其他幾種實現的推薦算法相比較,本文的算法在整體預測評分的平均絕對誤差上擁有更小的誤差值,在給用戶提供的個性化推薦結果方面,這種混合型的推薦算法對推薦結果的預測更為準確合理,同時,隨著用戶規(guī)模和資源條目規(guī)模的擴大,此方法在大規(guī)模用戶和資源條目的實驗環(huán)境下可以獲得更好的加速比。所以,這種混合型的推薦算法可以為大規(guī)模的商業(yè)化系統(tǒng)提供一種快速有效的個性化推薦