伴隨著數(shù)據(jù)時(shí)代的到來,網(wǎng)絡(luò)用戶每天需要接收無數(shù)不同類別的信息,面臨從海量信息中選取所需信息的困擾,這時(shí)推薦系統(tǒng)應(yīng)運(yùn)而生。在當(dāng)下流行的大數(shù)據(jù)計(jì)算平臺(tái)中,基于內(nèi)存迭代計(jì)算的Spark框架更符合推薦系統(tǒng)的要求,相比較傳統(tǒng)的Hadoop20Map20Reduce框架,Spark框架中的多個(gè)master節(jié)點(diǎn)解決了Hadoop中易產(chǎn)生的單節(jié)點(diǎn)故障問題,具有更高的實(shí)時(shí)計(jì)算能力,可以大幅度提升推薦系統(tǒng)的運(yùn)行效率。通過對Spark框架下的個(gè)性化地點(diǎn)推薦系統(tǒng)現(xiàn)狀分析,在了解系統(tǒng)設(shè)計(jì)相關(guān)技術(shù)的前提下,本文的研究重點(diǎn)為算法優(yōu)化與系統(tǒng)搭建,針對用戶的推薦需求,提出了離線推薦與在線推薦相結(jié)合的推薦引擎架構(gòu),完成了個(gè)性化地點(diǎn)推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)。為了改善傳統(tǒng)基于LBSN的地點(diǎn)推薦算法中普遍存在的數(shù)據(jù)稀疏問題與冷啟動(dòng)問題,本文提出了融合用戶偏好與上下文信息的加權(quán)矩陣分解算法,與傳統(tǒng)的矩陣分解算法相比較,加權(quán)矩陣分解模型通過對用戶-簽到矩陣中的元素進(jìn)行加權(quán)處理來緩解數(shù)據(jù)稀疏問題。在推薦系統(tǒng)的實(shí)現(xiàn)過程中,用戶簽到的影響因素主要包括用戶偏好與上下文信息,其中用戶偏好對簽到行為的影響最大,本文使用的加權(quán)矩陣分解模型以用戶偏好... 

【文章來源】：青島理工大學(xué)山東省

【文章頁數(shù)】：92 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 推薦系統(tǒng)研究現(xiàn)狀
        1.2.2 Spark研究現(xiàn)狀
    1.3 論文研究內(nèi)容
    1.4 論文組織結(jié)構(gòu)
第2章 相關(guān)技術(shù)研究
    2.1 大數(shù)據(jù)相關(guān)技術(shù)
        2.1.1 Spark大數(shù)據(jù)處理框架
        2.1.2 Kafka分布式流消息系統(tǒng)
        2.1.3 HDFS分布式文件存儲(chǔ)
    2.2 推薦系統(tǒng)
        2.2.1 推薦系統(tǒng)概述
        2.2.2 推薦系統(tǒng)架構(gòu)
        2.2.3 推薦系統(tǒng)評價(jià)指標(biāo)
    2.3 基于LBSN的地點(diǎn)推薦算法
        2.3.1 LBSN簡介
        2.3.2 基于社交網(wǎng)絡(luò)的地點(diǎn)推薦
        2.3.3 基于位置信息的地點(diǎn)推薦
    2.4 本章小結(jié)
第3章 個(gè)性化地點(diǎn)推薦算法的研究
    3.1 個(gè)性化地點(diǎn)推薦算法面臨的問題
        3.1.1 數(shù)據(jù)稀疏問題
        3.1.2 冷啟動(dòng)問題
    3.2 融合用戶偏好與上下文信息的加權(quán)矩陣分解算法
        3.2.1 用戶偏好對簽到行為的影響
        3.2.2 用戶上下文信息對簽到行為的影響
        3.2.3 融合用戶偏好與上下文信息對簽到行為的影響
    3.3 算法步驟
    3.4 本章小結(jié)
第4章 個(gè)性化地點(diǎn)推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)
    4.1 系統(tǒng)設(shè)計(jì)原則
    4.2 系統(tǒng)總體設(shè)計(jì)與實(shí)現(xiàn)
        4.2.1 輸入輸出數(shù)據(jù)設(shè)計(jì)與實(shí)現(xiàn)
        4.2.2 總體架構(gòu)設(shè)計(jì)與實(shí)現(xiàn)
    4.3 數(shù)據(jù)采集模塊
    4.4 數(shù)據(jù)倉庫模塊
    4.5 推薦引擎模塊
    4.6 結(jié)果輸出模塊
    4.7 本章小結(jié)
第5章 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析
    5.1 實(shí)驗(yàn)環(huán)境
    5.2 實(shí)驗(yàn)數(shù)據(jù)
    5.3 實(shí)驗(yàn)評價(jià)指標(biāo)
    5.4 系統(tǒng)效果測試
        5.4.1 系統(tǒng)性能測試
        5.4.2 算法性能測試
    5.5 本章小結(jié)
第6章 總結(jié)與展望
    6.1 論文總結(jié)
    6.2 未來展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表論文情況
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)用戶相似度的協(xié)同過濾推薦算法研究[J]. 張利.  現(xiàn)代計(jì)算機(jī). 2019(17)
[2]基于Spark的推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J]. 李星,李濤.  計(jì)算機(jī)技術(shù)與發(fā)展. 2018(10)
[3]基于Spark平臺(tái)的電商推薦系統(tǒng)的設(shè)計(jì)分析[J]. 曹耀輝.  自動(dòng)化與儀器儀表. 2017(07)
[4]基于Spark的混合推薦算法研究[J]. 胡德敏,龔燕.  計(jì)算機(jī)應(yīng)用研究. 2017(12)
[5]A20New20Recommender20System20Using20Context20Clustering20Based20on20Matrix20Factorization20Techniques[J]. ZHENG Xiaoyao,LUO Yonglong,SUN Liping,CHEN Fulong.  Chinese Journal of Electronics. 2016(02)
[6]基于灰色關(guān)聯(lián)度聚類與標(biāo)簽重疊因子結(jié)合的協(xié)同過濾推薦方法研究[J]. 趙宏晨,翟麗麗,張樹臣.  計(jì)算機(jī)工程與科學(xué). 2016(01)
[7]互聯(lián)網(wǎng)推薦系統(tǒng)比較研究[J]. 許海玲,吳瀟,李曉東,閻保平.  軟件學(xué)報(bào). 2009(02)

碩士論文
[1]基于多因素的矩陣分解推薦算法研究與實(shí)現(xiàn)[D]. 張文博.北京郵電大學(xué) 2019
[2]基于Spark的高考推薦系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D]. 孟真.山東師范大學(xué) 2017
[3]基于Storm的實(shí)時(shí)推薦系統(tǒng)研究與設(shè)計(jì)[D]. 賀翔宇.中北大學(xué) 2017
[4]推薦系統(tǒng)中矩陣分解算法研究[D]. 韋峰.中國科學(xué)技術(shù)大學(xué) 2017
[5]基于位置的社交網(wǎng)絡(luò)中地點(diǎn)推薦方法研究[D]. 李朔.北京工業(yè)大學(xué) 2016
[6]基于Spark平臺(tái)推薦系統(tǒng)研究[D]. 楊志偉.中國科學(xué)技術(shù)大學(xué) 2015
[7]基于Web數(shù)據(jù)挖掘的推薦系統(tǒng)算法研究[D]. 馮立娟.河北工程大學(xué) 2014



本文編號(hào)：3177525