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

【摘要】：電子商務使我們的生活變得便捷,它迅速發(fā)展的同時也產生了大量的數據,如何幫助用戶在海量的數據中快速高效地找到有價值的內容便成了一個重要的問題。目前,搜索引擎和信息分類網站都在一定程度上解決了海量數據的搜索問題,但是,這兩者是需要用戶通過輸入關鍵字或者提供其他相關信息去查找,才能獲取到需要的信息。相比之下,推薦系統的出現則更加的主動和智能化,從而在電商網站中起到了越來越重要的作用。它能以相當快的速度在海量數據中進行檢索,不需要用戶輸入關鍵字等提示信息,主動的向顧客推薦有用的商品,它的智能化方便顧客的同時也為商家提供了很大的幫助。支撐推薦系統正常運行的推薦算法有很多,協同過濾算法是其中運用最廣泛的推薦算法。然而,隨著電子商務中用戶數量和商品數量的高速增長,協同過濾推薦算法也面臨新的挑戰(zhàn),比如數據稀疏性問題、可擴展性問題等等。針對這些問題,本課題對協同過濾推薦算法進行了全面深入的研究,并闡述了通過組合推薦算法來解決數據稀疏性問題,進而完成推薦工作。同時,考慮到受單機性能的限制,當面對需要處理海量數據時,必然會對推薦結果的準確性和效率造成嚴重影響。因此,采用將協同過濾推薦算法遷移部署到Hadoop平臺中,對數據進行分布式處理,提高算法的運行效率,解決算法的可擴展性問題,最終達到增加商品銷售量的目的。本文主要的研究工作如下：1)對于常用的幾種推薦算法進行深入研究分析,全面了解各個算法的優(yōu)點和缺點,重點研究了協同過濾推薦算法。2)運用組合推薦算法完成數據填充和結果推薦。該組合算法是將K均值聚類算法、Slope One加權改進算法和協同過濾算法(CF)相結合,以此來實現推薦。K均值聚類算法和Slope One加權改進算法用來解決數據稀疏性問題,協同過濾算法(CF)用來在數據相對完整的基礎上實現最終的推薦。3)對協同過濾推薦算法進行改進,使其能夠適應MapReduce編程模型,進而達到對數據進行分布式處理的目的,以此來解決算法存在的可擴展性問題。4)對單個推薦算法和組合推薦算法進行評測。本課題運用MovieLens數據集中的數據,通過實驗,從各個算法的準確率、召回率和反應時間的角度對算法進行了評測,并對實驗結果進行分析。
【關鍵詞】：推薦系統 協同過濾 K均值聚類 Slope One Hadoop 組合推薦 MapReduce
【學位授予單位】：西安工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：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 國內外研究現狀10-11
• 1.3 本文的研究內容11-12
• 1.4 論文組織結構12-13
• 2 Hadoop大數據處理平臺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的架構和工作原理16-17
• 2.2.3 HDFS數據存儲的保證措施17-18
• 2.3 MapReduce的并行計算架構18-21
• 2.3.1 MapReduce體系架構概述19-20
• 2.3.2 MapReduce的工作流程20-21
• 2.4 HBase21-23
• 2.4.1 數據存儲21-22
• 2.4.2 物理模型22-23
• 推薦系統相關技術介紹23-34
• 3.1 推薦系統概述23-24
• 3.2 推薦系統的架構24-25
• 3.3 常用推薦算法的研究25-34
• 3.3.1 基于內容的推薦25-26
• 3.3.2 基于關聯規(guī)則的推薦26-27
• 3.3.3 基于聚類的推薦27-28
• 3.3.4 協同過濾推薦28-34
• 4 電子商務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 組合推薦算法的實現35-44
• 4.3.1 K均值聚類算法35-36
• 4.3.2 Slope One算法及其加權改進36-39
• 4.3.3 協同過濾推薦算法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44-53
• 5.1 原因和可行性分析44
• 5.2 基于MapReduce的算法改進過程44-46
• 5.3 基于MapReduce的協同過濾推薦算法46-53
• 6 實驗測試和結果分析53-58
• 6.1 實驗數據和環(huán)境53-54
• 6.1.1 數據集53
• 6.1.2 實驗環(huán)境53-54
• 6.2 實驗結果及評測指標54-56
• 6.2.1 實驗結果54
• 6.2.2 評測指標54-56
• 6.3 實驗設計56
• 6.4 實驗結果及分析56-58
• 7 總結與展望58-59
• 參考文獻59-62
• 攻讀碩士學位期間發(fā)表的論文62-63
• 致謝63-65

【參考文獻】

中國期刊全文數據庫 前5條

1 鄧秀勤,姜蓮花;電子商務推薦系統研究[J];遼東學院學報;2005年04期

2 黎星星,黃小琴,朱慶生;電子商務推薦系統研究[J];計算機工程與科學;2004年05期

3 許海玲;吳瀟;李曉東;閻保平;;互聯網推薦系統比較研究[J];軟件學報;2009年02期

4 黃光球,靳峰,彭緒友;基于興趣度的協同過濾商品推薦系統模型[J];微電子學與計算機;2005年03期

5 王鄂;李銘;;云計算下的海量數據挖掘研究[J];現代計算機(專業(yè)版);2009年11期

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

本文編號：273676