多維度可擴(kuò)展推薦引擎框架的設(shè)計(jì)與應(yīng)用.pdf

1、隨著Web2.0、信息技術(shù)的發(fā)展與網(wǎng)絡(luò)媒介例如平板電腦以及智能手機(jī)的普及,人們已經(jīng)從一個(gè)信息匱乏的時(shí)代邁向了信息呈爆炸式增長的時(shí)代,每天都會(huì)有鋪天蓋地的信息涌現(xiàn)在網(wǎng)絡(luò)、手機(jī)上。顯然,我們已經(jīng)進(jìn)入了大數(shù)據(jù)時(shí)代。與信息匱乏的時(shí)代相比,雖然選擇多了,但是如何從信息的海洋中迅速定位有價(jià)值和感興趣的信息,對于信息消費(fèi)者是一個(gè)不小的挑戰(zhàn);同時(shí)對于信息生產(chǎn)者,如何把信息推送給合適的消費(fèi)者,擴(kuò)大信息輻射面,也是一件不簡單的事情。為了解決信息過載給信息生

2、產(chǎn)者和信息消費(fèi)者帶來的困擾,個(gè)性化推薦系統(tǒng)應(yīng)運(yùn)而生。
　　推薦系統(tǒng)通過分析用戶的歷史行為數(shù)據(jù)建立起用戶對信息偏好模型,從而將用戶與信息聯(lián)系起來。推薦系統(tǒng)能夠主動(dòng)將信息推送給對其感興趣的用戶,這樣用戶也能從推薦系統(tǒng)中得到感興趣的信息,從而使信息消費(fèi)者能夠從信息的海洋中迅速獲取感興趣的信息。
　　本課題的主要研究內(nèi)容是實(shí)現(xiàn)一個(gè)支持多維度、靈活可擴(kuò)展的推薦引擎框架。根據(jù)推薦引擎的原理,推薦引擎包括推薦算法、相似度計(jì)算、推薦過濾三個(gè)

3、核心組件。本文的推薦算法選擇在工業(yè)界和學(xué)術(shù)界廣泛使用的協(xié)同過濾推薦算法;相似度計(jì)算主要包括杰卡德相似度、余弦相似度、歐幾里德距離相似度、皮爾遜相似度四種算法,以適用于不同的應(yīng)用場景;推薦過濾主要實(shí)現(xiàn)了用戶行為過濾、物品平均分過濾、地理位置過濾三種過濾方式以提高推薦系統(tǒng)在不同場景下的準(zhǔn)確性。本課題的多維度主要體現(xiàn)在簡單的<用戶,物品,評(píng)分>數(shù)據(jù)模型基礎(chǔ)之上,引入了時(shí)間序列與地理位置兩個(gè)上下文維度,時(shí)間序列主要通過時(shí)間衰減函數(shù)來平衡時(shí)間對相