發(fā)布時(shí)間：2017-03-29 04:14

  本文關(guān)鍵詞：基于Hadoop的電子商務(wù)推薦系統(tǒng)研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：電子商務(wù)使我們的生活變得便捷,它迅速發(fā)展的同時(shí)也產(chǎn)生了大量的數(shù)據(jù),如何幫助用戶(hù)在海量的數(shù)據(jù)中快速高效地找到有價(jià)值的內(nèi)容便成了一個(gè)重要的問(wèn)題。目前,搜索引擎和信息分類(lèi)網(wǎng)站都在一定程度上解決了海量數(shù)據(jù)的搜索問(wèn)題,但是,這兩者是需要用戶(hù)通過(guò)輸入關(guān)鍵字或者提供其他相關(guān)信息去查找,才能獲取到需要的信息。相比之下,推薦系統(tǒng)的出現(xiàn)則更加的主動(dòng)和智能化,從而在電商網(wǎng)站中起到了越來(lái)越重要的作用。它能以相當(dāng)快的速度在海量數(shù)據(jù)中進(jìn)行檢索,不需要用戶(hù)輸入關(guān)鍵字等提示信息,主動(dòng)的向顧客推薦有用的商品,它的智能化方便顧客的同時(shí)也為商家提供了很大的幫助。支撐推薦系統(tǒng)正常運(yùn)行的推薦算法有很多,協(xié)同過(guò)濾算法是其中運(yùn)用最廣泛的推薦算法。然而,隨著電子商務(wù)中用戶(hù)數(shù)量和商品數(shù)量的高速增長(zhǎng),協(xié)同過(guò)濾推薦算法也面臨新的挑戰(zhàn),比如數(shù)據(jù)稀疏性問(wèn)題、可擴(kuò)展性問(wèn)題等等。針對(duì)這些問(wèn)題,本課題對(duì)協(xié)同過(guò)濾推薦算法進(jìn)行了全面深入的研究,并闡述了通過(guò)組合推薦算法來(lái)解決數(shù)據(jù)稀疏性問(wèn)題,進(jìn)而完成推薦工作。同時(shí),考慮到受單機(jī)性能的限制,當(dāng)面對(duì)需要處理海量數(shù)據(jù)時(shí),必然會(huì)對(duì)推薦結(jié)果的準(zhǔn)確性和效率造成嚴(yán)重影響。因此,采用將協(xié)同過(guò)濾推薦算法遷移部署到Hadoop平臺(tái)中,對(duì)數(shù)據(jù)進(jìn)行分布式處理,提高算法的運(yùn)行效率,解決算法的可擴(kuò)展性問(wèn)題,最終達(dá)到增加商品銷(xiāo)售量的目的。本文主要的研究工作如下：1)對(duì)于常用的幾種推薦算法進(jìn)行深入研究分析,全面了解各個(gè)算法的優(yōu)點(diǎn)和缺點(diǎn),重點(diǎn)研究了協(xié)同過(guò)濾推薦算法。2)運(yùn)用組合推薦算法完成數(shù)據(jù)填充和結(jié)果推薦。該組合算法是將K均值聚類(lèi)算法、Slope One加權(quán)改進(jìn)算法和協(xié)同過(guò)濾算法(CF)相結(jié)合,以此來(lái)實(shí)現(xiàn)推薦。K均值聚類(lèi)算法和Slope One加權(quán)改進(jìn)算法用來(lái)解決數(shù)據(jù)稀疏性問(wèn)題,協(xié)同過(guò)濾算法(CF)用來(lái)在數(shù)據(jù)相對(duì)完整的基礎(chǔ)上實(shí)現(xiàn)最終的推薦。3)對(duì)協(xié)同過(guò)濾推薦算法進(jìn)行改進(jìn),使其能夠適應(yīng)MapReduce編程模型,進(jìn)而達(dá)到對(duì)數(shù)據(jù)進(jìn)行分布式處理的目的,以此來(lái)解決算法存在的可擴(kuò)展性問(wèn)題。4)對(duì)單個(gè)推薦算法和組合推薦算法進(jìn)行評(píng)測(cè)。本課題運(yùn)用MovieLens數(shù)據(jù)集中的數(shù)據(jù),通過(guò)實(shí)驗(yàn),從各個(gè)算法的準(zhǔn)確率、召回率和反應(yīng)時(shí)間的角度對(duì)算法進(jìn)行了評(píng)測(cè),并對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析。
【關(guān)鍵詞】：推薦系統(tǒng) 協(xié)同過(guò)濾 K均值聚類(lèi) Slope One Hadoop 組合推薦 MapReduce
【學(xué)位授予單位】：西安工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類(lèi)號(hào)】：TP391.3
【目錄】：

• 摘要3-5
• ABSTRACT5-9
• 1 緒論9-13
• 1.1 研究背景和意義9-10
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀10-11
• 1.3 本文的研究?jī)?nèi)容11-12
• 1.4 論文組織結(jié)構(gòu)12-13
• 2 Hadoop大數(shù)據(jù)處理平臺(tái)13-23
• 2.1 Hadoop介紹13-15
• 2.2 HDFS15-18
• 2.2.1 HDFS介紹15-16
• 2.2.2 HDFS的架構(gòu)和工作原理16-17
• 2.2.3 HDFS數(shù)據(jù)存儲(chǔ)的保證措施17-18
• 2.3 MapReduce的并行計(jì)算架構(gòu)18-21
• 2.3.1 MapReduce體系架構(gòu)概述19-20
• 2.3.2 MapReduce的工作流程20-21
• 2.4 HBase21-23
• 2.4.1 數(shù)據(jù)存儲(chǔ)21-22
• 2.4.2 物理模型22-23
• 推薦系統(tǒng)相關(guān)技術(shù)介紹23-34
• 3.1 推薦系統(tǒng)概述23-24
• 3.2 推薦系統(tǒng)的架構(gòu)24-25
• 3.3 常用推薦算法的研究25-34
• 3.3.1 基于內(nèi)容的推薦25-26
• 3.3.2 基于關(guān)聯(lián)規(guī)則的推薦26-27
• 3.3.3 基于聚類(lèi)的推薦27-28
• 3.3.4 協(xié)同過(guò)濾推薦28-34
• 4 電子商務(wù)推薦中的組合推薦算法34-44
• 4.1 組合推薦算法的提出34
• 4.2 組合推薦算法的思路34-35
• 4.3 組合推薦算法的實(shí)現(xiàn)35-44
• 4.3.1 K均值聚類(lèi)算法35-36
• 4.3.2 Slope One算法及其加權(quán)改進(jìn)36-39
• 4.3.3 協(xié)同過(guò)濾推薦算法39-42
• 4.3.4 組合推薦算法的流程與步驟42-44
• 5 基于MapReduce的組合推薦算法改進(jìn)44-53
• 5.1 原因和可行性分析44
• 5.2 基于MapReduce的算法改進(jìn)過(guò)程44-46
• 5.3 基于MapReduce的協(xié)同過(guò)濾推薦算法46-53
• 6 實(shí)驗(yàn)測(cè)試和結(jié)果分析53-58
• 6.1 實(shí)驗(yàn)數(shù)據(jù)和環(huán)境53-54
• 6.1.1 數(shù)據(jù)集53
• 6.1.2 實(shí)驗(yàn)環(huán)境53-54
• 6.2 實(shí)驗(yàn)結(jié)果及評(píng)測(cè)指標(biāo)54-56
• 6.2.1 實(shí)驗(yàn)結(jié)果54
• 6.2.2 評(píng)測(cè)指標(biāo)54-56
• 6.3 實(shí)驗(yàn)設(shè)計(jì)56
• 6.4 實(shí)驗(yàn)結(jié)果及分析56-58
• 7 總結(jié)與展望58-59
• 參考文獻(xiàn)59-62
• 攻讀碩士學(xué)位期間發(fā)表的論文62-63
• 致謝63-65

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前5條

1 鄧秀勤,姜蓮花;電子商務(wù)推薦系統(tǒng)研究[J];遼東學(xué)院學(xué)報(bào);2005年04期

2 黎星星,黃小琴,朱慶生;電子商務(wù)推薦系統(tǒng)研究[J];計(jì)算機(jī)工程與科學(xué);2004年05期

3 許海玲;吳瀟;李曉東;閻保平;;互聯(lián)網(wǎng)推薦系統(tǒng)比較研究[J];軟件學(xué)報(bào);2009年02期

4 黃光球,靳峰,彭緒友;基于興趣度的協(xié)同過(guò)濾商品推薦系統(tǒng)模型[J];微電子學(xué)與計(jì)算機(jī);2005年03期

5 王鄂;李銘;;云計(jì)算下的海量數(shù)據(jù)挖掘研究[J];現(xiàn)代計(jì)算機(jī)(專(zhuān)業(yè)版);2009年11期

  本文關(guān)鍵詞：基于Hadoop的電子商務(wù)推薦系統(tǒng)研究，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：273676