在信息井噴的時代,從海量數(shù)據(jù)中探尋出用戶有興致的信息是一件沉重的任務,推薦系統(tǒng)的任務就是發(fā)掘數(shù)據(jù)中所潛藏的價值。近年來,基于位置服務的應用也快速發(fā)展,這些應用通過設備定位接口采樣了大量的地點簽到數(shù)據(jù)。從而為實現(xiàn)面向用戶的地點推薦提供了條件。推薦算法是數(shù)據(jù)挖掘中值得深入研究的算法。地點推薦也是各大知名應用中不可或缺的功能。針對目前地點推薦面臨的一些問題,如數(shù)據(jù)稀疏、冷啟動、個性化程度低等,本文基于Spark大數(shù)據(jù)平臺,構(gòu)建了改進的推薦模型,該模型不是僅僅利用單獨一種推薦算法,不僅使用基于內(nèi)容的推薦,而且充分利用協(xié)同過濾推薦,考慮了用戶當前的需求和用戶的歷史偏好。使用用戶關于地點-屬性偏好的數(shù)據(jù)填充方式,大大改善了數(shù)據(jù)稀疏性;使用融合用戶差異化和地點自身質(zhì)量的相似性計算方法,提升了用戶和地點的相似性計算效果。同時,系統(tǒng)采用Spark分布式集群實現(xiàn)模型的并行計算,提高了海量數(shù)據(jù)下的建模能力,縮短模型訓練的時間。本文的驗證數(shù)據(jù)來自于Foursquare社交網(wǎng)站上用戶的簽到數(shù)據(jù)。使用API接口抓取了15102513條簽到數(shù)據(jù)。為了評估算法的推薦效果,不僅選擇了推薦系統(tǒng)中通常使用的平均絕對誤差（M... 

【文章來源】：中國科學院大學(中國科學院沈陽計算技術研究所)遼寧省

【文章頁數(shù)】：61 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景
        1.1.1 電子商務中的商品推薦
        1.1.2 社交網(wǎng)絡下的地點推薦
    1.2 研究內(nèi)容與主要貢獻
        1.2.1 主要的研究內(nèi)容
        1.2.2 主要貢獻
    1.3 本章小結(jié)
第2章 現(xiàn)有的推薦算法和地點推薦模型
    2.1 現(xiàn)有的推薦算法
        2.1.1 協(xié)同過濾推薦
        2.1.2 基于內(nèi)容的推薦
        2.1.3 基于深度學習的推薦
    2.2 現(xiàn)有的地點推薦模型
        2.2.1 基于空間數(shù)據(jù)的推薦模型
        2.2.2 基于內(nèi)容的推薦模型
        2.2.3 模型間的對比
    2.3 本章小結(jié)
第3章 大數(shù)據(jù)下的推薦算法
    3.1 大數(shù)據(jù)與社交網(wǎng)絡推薦算法
        3.1.1 大數(shù)據(jù)
        3.1.2 社交網(wǎng)絡中的推薦算法
    3.2 大數(shù)據(jù)平臺推薦算法研究現(xiàn)狀
        3.2.1 混合協(xié)同過濾個性化推薦
        3.2.2 基于大數(shù)據(jù)矩陣分解的推薦
    3.3 本章小結(jié)
第4章 基于Spark的改進地點推薦模型
    4.1 推薦模型
        4.1.1 地點推薦的特殊性
        4.1.2 模型組合的方式
        4.1.3 混合推薦模型
    4.2 基于用戶地點屬性偏好的矩陣填充方式
    4.3 融合地點自身質(zhì)量的相似性計算方式
    4.4 Spark計算并行化
        4.4.1 基于ALS推薦算法
        4.4.2 單點故障優(yōu)化
    4.5 本章小結(jié)
第5章 實驗效果評估
    5.1 實驗設置與評價指標
        5.1.1 實驗環(huán)境
        5.1.2 實驗數(shù)據(jù)
        5.1.3 評價指標
    5.2 實驗設計與分析
    5.3 本章小結(jié)
第6章 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 展望
參考文獻
致謝
攻讀學位期間發(fā)表的學術論文與研究成果


【參考文獻】：
期刊論文
[1]數(shù)據(jù)挖掘中機器學習的應用[J]. 周旭.  電子技術與軟件工程. 2019(07)
[2]基于增強二部圖網(wǎng)絡結(jié)構(gòu)的推薦算法[J]. 張岐山,文闖.  計算機系統(tǒng)應用. 2019(04)
[3]基于矩陣分解的最近鄰推薦系統(tǒng)及其應用[J]. 王娟,熊巍.  統(tǒng)計與決策. 2019(06)
[4]Spark平臺下KNN-ALS模型推薦算法[J]. 鄒小波,王佳斌,詹敏.  華僑大學學報(自然科學版). 2019(02)
[5]基于協(xié)同過濾和內(nèi)容過濾的微博話題混合推薦算法[J]. 張興宇.  電腦編程技巧與維護. 2019(03)
[6]基于用戶交互的社交網(wǎng)絡好友推薦算法[J]. 龍增艷,陳志剛,徐成林.  計算機工程. 2019(03)
[7]基于用戶評論的深度情感分析和多視圖協(xié)同融合的混合推薦方法[J]. 張宜浩,朱小飛,徐傳運,董世都.  計算機學報. 2019(06)
[8]融合社交網(wǎng)絡和圖像內(nèi)容的興趣點推薦[J]. 邵長城,陳平華.  計算機應用. 2019(05)
[9]一種基于深度學習的混合推薦算法[J]. 曾旭禹,楊燕,王淑營,何太軍,陳劍波.  計算機科學. 2019(01)
[10]基于Spark的Hybrid推薦算法的研究與實現(xiàn)[J]. 祝永志.  電子技術. 2018(12)

碩士論文
[1]基于混合過濾的推薦算法研究及其應用[D]. 吳漢.南京郵電大學 2018
[2]基于受限玻爾茲曼機的電子商務推薦算法[D]. 陳雅昕.浙江工商大學 2018
[3]基于用戶簽到數(shù)據(jù)的個性化地點推薦算法研究[D]. 郝日佩.西安電子科技大學 2017
[4]基于時空數(shù)據(jù)的多約束地點推薦模型研究[D]. 溫波.華南理工大學 2015
[5]基于本體和知識規(guī)則的混合推薦研究[D]. 鄭元平.浙江師范大學 2014



本文編號：3047907