基于數(shù)據(jù)流挖掘的推薦系統(tǒng)研究.pdf

1、隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，越來(lái)越多的人會(huì)選擇在網(wǎng)上進(jìn)行購(gòu)物、查看新聞、看電影等等，但是名目繁多的選項(xiàng)會(huì)讓人不知如何選擇，由此出現(xiàn)了所謂的“信息過(guò)載”現(xiàn)象。所以，對(duì)過(guò)多的信息進(jìn)行篩選是很有必要的，可以改善用戶的上網(wǎng)體驗(yàn)，快速地定位找到用戶所需的信息，由此推薦系統(tǒng)應(yīng)運(yùn)而生。同時(shí)，隨著大數(shù)據(jù)時(shí)代的到來(lái)，越來(lái)越多的數(shù)據(jù)會(huì)以流的形式出現(xiàn)，但對(duì)數(shù)據(jù)流的利用率并不是很高，于是本文提出了將數(shù)據(jù)流分析與推薦系統(tǒng)相結(jié)合的想法，以實(shí)現(xiàn)更加個(gè)性化的推薦方案。

2、>　　本文立足于對(duì)數(shù)據(jù)流中的點(diǎn)擊流數(shù)據(jù)進(jìn)行研究分析，在此基礎(chǔ)上從兩個(gè)方面研究推薦方法。首先，在MapReduce并行計(jì)算框架下研究頻繁項(xiàng)集的挖掘，提出了一種新的基于二叉樹的并行頻繁項(xiàng)集挖掘算法（以下簡(jiǎn)稱為FIMB算法），利用一次Map/Reduce過(guò)程即可完成挖掘，不需要進(jìn)行迭代計(jì)算，充分應(yīng)用了集群的并行性，并根據(jù)挖掘結(jié)果進(jìn)行關(guān)聯(lián)推薦。其次，本文提出了一種在社交網(wǎng)絡(luò)中基于信任的推薦系統(tǒng)模型，該模型的主要思想是代理在社交網(wǎng)絡(luò)中取得所需信息

3、，并通過(guò)這些信息之間的信任關(guān)系來(lái)進(jìn)行信息過(guò)濾；研究中還發(fā)現(xiàn)網(wǎng)絡(luò)的密度、代理之間偏好的各異性和知識(shí)的稀疏性都是影響系統(tǒng)性能的至關(guān)重要的因素。最后，本文將點(diǎn)擊流數(shù)據(jù)分析與兩種推薦模型相結(jié)合，提出了一種基于點(diǎn)擊流的推薦系統(tǒng)框架模型，并用流程圖的形式給出了系統(tǒng)框架，同時(shí)列舉了幾種準(zhǔn)則來(lái)評(píng)估推薦系統(tǒng)的推薦效果。
　　本文通過(guò)實(shí)驗(yàn)對(duì)比的方式證明了FIMB算法的效率高于CD和DD兩種并行算法，并采用數(shù)學(xué)公式的計(jì)算方法來(lái)近似分析了社交網(wǎng)絡(luò)中基于信