本文選題：云計算 + 電子商務(wù)��； 參考：《蘭州交通大學(xué)》2017年碩士論文

【摘要】：隨著互聯(lián)網(wǎng)的迅猛發(fā)展,人類社會進(jìn)入了云計算時代,云計算時代個性化和差異化已經(jīng)成為企業(yè)的核心競爭力,電子商務(wù)的興起實現(xiàn)了從“以產(chǎn)品為中心”向“以客戶為中心”的消費(fèi)模式的轉(zhuǎn)變,極大地提高了用戶和企業(yè)之間的交易效率。然而電子商務(wù)在為用戶提供快捷便利的服務(wù)時,用戶和商品數(shù)量正以指數(shù)級別遞增,由此引發(fā)信息超載和信息迷航,為使用戶在互聯(lián)網(wǎng)中能更便捷地獲取所需信息,電子商務(wù)個性化推薦系統(tǒng)由此產(chǎn)生,它根據(jù)用戶的興趣偏好及購物習(xí)慣向其推薦感興趣的商品。電子商務(wù)網(wǎng)站使用個性化推薦系統(tǒng)分析用戶的興趣偏好,幫助用戶從龐大的商品目錄中挑選真正適合自己需要的商品,為每個用戶提供個性化服務(wù),在很多電子商務(wù)個性化推薦技術(shù)中,作為當(dāng)今運(yùn)用最廣泛、最成功的推薦策略,協(xié)同過濾推薦算法對電子商務(wù)個性化推薦系統(tǒng)性能的優(yōu)劣至關(guān)重要。但是傳統(tǒng)的協(xié)同過濾推薦算法存在稀疏性高、可擴(kuò)展性和實時性差等問題,導(dǎo)致電子商務(wù)個性化推薦系統(tǒng)無法為用戶提供高效的推薦服務(wù)。因此,針對協(xié)同過濾推薦算法中存在的稀疏性、可擴(kuò)展性和實時性等問題,本文設(shè)計了一種基于Hadoop的電子商務(wù)個性化推薦算法,利用Hadoop云計算平臺所擁有的強(qiáng)大計算及存儲能力對基于項目的協(xié)同過濾推薦算法予以改進(jìn)。首先根據(jù)用戶的評分使用Canopy算法進(jìn)行聚類預(yù)處理,將項目集合中的全部項目迅速劃分到不同的Canopy中并生成相應(yīng)的聚類中心。接著按照Canopy聚類中心集合使用FCM算法對項目集合中的每個項目迭代求出其相對于各個聚類的隸屬度和聚類中心,并根據(jù)最大隸屬度原則確定每個項目所屬的聚類,從而得到最終的聚類集合。然后在Canopy-FCM聚類模型上根據(jù)目標(biāo)項目與所有聚類中心之間的相似度,選擇相似度最高的前若干個聚類中的項目構(gòu)建目標(biāo)項目的推薦候選項目空間。最后在推薦候選項目空間上使用IBCF算法在線完成推薦。在MovieLens數(shù)據(jù)集上與一些傳統(tǒng)的協(xié)同過濾算法進(jìn)行的分析和對比的實驗結(jié)果表明,該算法在分布式集群上具有較好的可擴(kuò)展性和推薦效率,并且推薦精度也有所提高,可以較好地改進(jìn)電子商務(wù)個性化推薦中存在的稀疏性、可擴(kuò)展性和實時性問題。
[Abstract]:With the rapid development of the Internet, the human society has entered the cloud computing era, the cloud computing era of individuation and differentiation has become the core competitiveness of enterprises, The rise of electronic commerce has realized the transformation from "product-centered" to "customer-centered" consumption mode, and greatly improved the transaction efficiency between users and enterprises. However, when electronic commerce provides users with fast and convenient services, the number of users and commodities is increasing exponentially, which leads to information overload and information confusion, so that users can obtain the information they need more easily on the Internet. E-commerce personalized recommendation system comes into being, according to the user's interest preference and shopping habits to recommend the interested goods to them. E-commerce websites use personalized recommendation system to analyze the interests of users, help users choose from the huge catalog of products that are really suitable for their own needs, and provide personalized services for each user. In many e-commerce personalized recommendation technology, as the most widely used and most successful recommendation strategy, collaborative filtering recommendation algorithm is very important to the performance of e-commerce personalized recommendation system. However, the traditional collaborative filtering recommendation algorithm has many problems, such as high sparsity, poor scalability and real-time performance, which leads to the lack of efficient recommendation service for users in E-commerce personalized recommendation system. Therefore, aiming at the problems of sparsity, extensibility and real-time in collaborative filtering recommendation algorithm, a personalized recommendation algorithm for e-commerce based on Hadoop is designed in this paper. Based on the powerful computing and storage capability of Hadoop cloud computing platform, the project based collaborative filtering recommendation algorithm is improved. Firstly, the Canopy algorithm is used to preprocess the clustering according to the user's score. All the items in the item set are quickly divided into different Canopy and the corresponding clustering centers are generated. Then, according to the Canopy clustering center set, each item in the item set is iterated by FCM algorithm to find out its membership degree and cluster center relative to each cluster, and according to the principle of maximum membership degree, each item belongs to the cluster. Finally, the final clustering set is obtained. Then, according to the similarity between the target items and all the clustering centers on the Canopy-FCM clustering model, the items in the first few clusters with the highest similarity are selected to construct the recommended candidate space of the target items. Finally, the IBCF algorithm is used to complete the recommendation online in the recommended candidate space. The results of analysis and comparison with some traditional collaborative filtering algorithms on MovieLens dataset show that the proposed algorithm has better scalability and recommendation efficiency in distributed clusters, and the recommendation accuracy is also improved. It can improve the sparse, extensibility and real-time problems in e-commerce personalized recommendation.
【學(xué)位授予單位】：蘭州交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.3

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 田保軍;胡培培;杜曉娟;蘇依拉;;Hadoop下基于聚類協(xié)同過濾推薦算法優(yōu)化的研究[J];計算機(jī)工程與科學(xué);2016年08期

2 時念云;葛曉偉;馬力;;基于用戶人口統(tǒng)計特征與信任機(jī)制的協(xié)同推薦[J];計算機(jī)工程;2016年06期

3 周明建;趙建波;李騰;;基于情境相似的知識個性化推薦系統(tǒng)研究[J];計算機(jī)工程與科學(xué);2016年03期

4 張紅軍;;基于用戶要求的互聯(lián)網(wǎng)產(chǎn)品差異化設(shè)計探究[J];產(chǎn)業(yè)與科技論壇;2015年22期

5 馮利光;劉其成;;基于FCM并行算法的微博熱點(diǎn)發(fā)現(xiàn)[J];計算機(jī)應(yīng)用與軟件;2015年11期

6 鄭孝遙;鮑煜;孫忠寶;羅永龍;;一種基于信任的協(xié)同過濾推薦模型[J];計算機(jī)工程與應(yīng)用;2016年05期

7 陳平華;陳傳瑜;;基于滿二叉樹的二分K-means聚類并行推薦算法[J];計算機(jī)工程與科學(xué);2015年08期

8 杜江;張錚;張杰鑫;邰銘;;MapReduce并行編程模型研究綜述[J];計算機(jī)科學(xué);2015年S1期

9 朱夏;宋愛波;東方;羅軍舟;;云計算環(huán)境下基于協(xié)同過濾的個性化推薦機(jī)制[J];計算機(jī)研究與發(fā)展;2014年10期

10 王永貴;李鴻緒;宋曉;;MapReduce模型下的模糊C均值算法研究[J];計算機(jī)工程;2014年10期

相關(guān)博士學(xué)位論文 前7條

1 劉龍;一個能實現(xiàn)個性化實時路徑推薦服務(wù)的推薦系統(tǒng)框架[D];中國科學(xué)技術(shù)大學(xué);2014年

2 孔維梁;協(xié)同過濾推薦系統(tǒng)關(guān)鍵問題研究[D];華中師范大學(xué);2013年

3 吳和生;云計算環(huán)境中多核多進(jìn)程負(fù)載均衡技術(shù)的研究與應(yīng)用[D];南京大學(xué);2013年

4 孫慧峰;基于協(xié)同過濾的個性化Web推薦[D];北京郵電大學(xué);2012年

5 薛福亮;電子商務(wù)協(xié)同過濾推薦質(zhì)量影響因素及其改進(jìn)機(jī)制研究[D];天津大學(xué);2012年

6 鄧曉懿;移動電子商務(wù)個性化服務(wù)推薦方法研究[D];大連理工大學(xué);2012年

7 夏培勇;個性化推薦技術(shù)中的協(xié)同過濾算法研究[D];中國海洋大學(xué);2011年

相關(guān)碩士學(xué)位論文 前9條

1 趙偉;基于Hadoop的數(shù)據(jù)挖掘算法并行化研究[D];西南交通大學(xué);2015年

2 黎安能;基于Hadoop的改進(jìn)聚類協(xié)同過濾推薦算法研究[D];重慶大學(xué);2015年

3 況亞萍;云計算技術(shù)在協(xié)同過濾推薦中的應(yīng)用研究[D];中國科學(xué)技術(shù)大學(xué);2014年

4 袁利;基于聚類的協(xié)同過濾個性化推薦算法研究[D];華中師范大學(xué);2014年

5 李小龍;基于MapReduce的電子商務(wù)個性化推薦研究[D];北京交通大學(xué);2014年

6 韓飛飛;基于云計算的電子商務(wù)個性化推薦研究[D];華北電力大學(xué);2014年

7 熊宇;協(xié)同過濾的電子商務(wù)個性化服務(wù)推薦系統(tǒng)的研究[D];電子科技大學(xué);2013年

8 Korir Sammy（克瑞）;云計算數(shù)據(jù)中心中節(jié)能安全的虛擬機(jī)實時遷移研究[D];中南大學(xué);2012年

9 劉浩;基于負(fù)載均衡的存儲架構(gòu)研究與應(yīng)用[D];山東大學(xué);2011年

，

本文編號：1927572