基于用戶特性的CF算法在B2C類電子商務RE中的研究與應用.pdf

1、根據(jù)CNNIC一月份發(fā)布的《第29次中國互聯(lián)網絡發(fā)展狀況統(tǒng)計報告》顯示，截至2011年12月底，中國網民規(guī)模突破5億，達到5.13億，全年新增網民5580萬?；ヂ?lián)網普及率較上年底提升4個百分點，達到38.3％。分析顯示電子商務類應用繼續(xù)穩(wěn)步發(fā)展，包括網絡購物、網上支付、網上銀行、旅行預訂在內的電子商務類應用在2011年繼續(xù)保持穩(wěn)步發(fā)展態(tài)勢，其中網絡購物用戶規(guī)模達到1.94億人，較上年底增長20.8%，網上支付用戶和網上銀行全年用戶也增長

2、了21.6%和19.2%，目前用戶規(guī)模分別為1.67億和1.66億。目前IT系統(tǒng)的存儲能力遠遠不足，就更不用說深入地挖掘和分析了。但要想使用這些數(shù)據(jù)并不是一件很容易的事情。本文將以推薦系統(tǒng)的設計為例提出一種綜合的解決方案。在應對大數(shù)據(jù)和實時性要求的同時各大IT公司紛紛提出自己的解決之道，其中不乏優(yōu)秀的系統(tǒng)和編程模式，如：google的hadoop技術框架，nosql數(shù)據(jù)庫和HDFS分布式存儲技術，mapreduce編程模式，以及maho

3、ut等。本文就將依據(jù)這些新興技術框架改造傳統(tǒng)的推薦引擎使之可以滿足大數(shù)據(jù)時代的實時性需求，提高推薦結果的命中率。
　　本文在提高推薦引擎(RE)的推薦精準度方面提出了，在傳統(tǒng)的相似用戶算法的基礎之上進行改進的基于用戶特性的相似用戶計算的方法。從而充分考慮了用戶自身的社會特性，提高的推薦數(shù)據(jù)個性化需求。并利用lucene平臺進行具體的實現(xiàn)，在此基礎之上還提出來推薦引擎的整體設計架構圖。并對每部分拆分進行講解。最后針對具體的實施過程當