在大數(shù)據(jù)時(shí)代下,高效地提取關(guān)鍵信息變得越來(lái)越重要,而推薦系統(tǒng)就是能夠從海量數(shù)據(jù)中有效提取信息的重要手段之一。但是在推薦系統(tǒng)中仍然存在許多問(wèn)題,如冷啟動(dòng)、數(shù)據(jù)稀疏、時(shí)延長(zhǎng)、推薦效果不理想等。因此,針對(duì)以上問(wèn)題,本文提出了融合社交網(wǎng)絡(luò)與關(guān)鍵用戶的并行協(xié)同過(guò)濾推薦算法,主要從三個(gè)方面改善協(xié)同過(guò)濾推薦算法的性能。針對(duì)冷啟動(dòng)與數(shù)據(jù)稀疏問(wèn)題,提出融合社交網(wǎng)絡(luò)與關(guān)鍵用戶解決方案。通過(guò)對(duì)數(shù)據(jù)集的預(yù)處理得到社交網(wǎng)絡(luò)信任矩陣、關(guān)鍵用戶項(xiàng)目評(píng)分矩陣和用戶項(xiàng)目評(píng)分矩陣,并采用多源數(shù)據(jù)融合,有效解決推薦系統(tǒng)中的項(xiàng)目冷啟動(dòng)和用戶冷啟動(dòng)問(wèn)題、緩解數(shù)據(jù)稀疏問(wèn)題。考慮到海量數(shù)據(jù)處理的時(shí)延問(wèn)題,提出了基于Spark分布式集群的并行運(yùn)算策略,并實(shí)現(xiàn)了推薦算法的并行化處理,可有效縮短運(yùn)行時(shí)間,提升用戶體驗(yàn)。為改善推薦系統(tǒng)的推薦效果,提出改進(jìn)相似度計(jì)算方法,將社交網(wǎng)絡(luò)數(shù)據(jù)、關(guān)鍵用戶評(píng)分?jǐn)?shù)據(jù)和用戶項(xiàng)目評(píng)分?jǐn)?shù)據(jù)各自計(jì)算得出的修正余弦相似度進(jìn)行了加權(quán)融合,得到更為準(zhǔn)確穩(wěn)定的相似度計(jì)算公式。由實(shí)驗(yàn)結(jié)果可知,相似度計(jì)算的準(zhǔn)確率提高時(shí),得到的推薦結(jié)果也更為符合用戶的興趣愛(ài)好。實(shí)驗(yàn)采用Epinions公開(kāi)數(shù)據(jù)集,多組對(duì)比實(shí)驗(yàn)結(jié)果表明,提出的... 

【文章來(lái)源】：遼寧工程技術(shù)大學(xué)遼寧省

【文章頁(yè)數(shù)】：62 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
致謝
摘要
abstract
變量注釋表
1 緒論
    1.1 研究背景
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 研究目的
    1.4 主要工作
    1.5 本文結(jié)構(gòu)安排
2 基礎(chǔ)理論與相關(guān)技術(shù)
    2.1 常用的協(xié)同過(guò)濾推薦算法
    2.2 相似性計(jì)算
    2.3 推薦系統(tǒng)評(píng)估指標(biāo)
    2.4 SPARK系統(tǒng)框架與編程模型
3 融合社交網(wǎng)絡(luò)與關(guān)鍵用戶的并行推薦算法
    3.1 算法描述與模型設(shè)計(jì)
    3.2 并行化算法流程設(shè)計(jì)與實(shí)現(xiàn)
4 實(shí)驗(yàn)設(shè)計(jì)及結(jié)果分析
    4.1 實(shí)驗(yàn)數(shù)據(jù)
    4.2 實(shí)驗(yàn)環(huán)境
    4.3 實(shí)驗(yàn)設(shè)計(jì)
    4.4 實(shí)驗(yàn)結(jié)果與分析
5 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 工作展望
參考文獻(xiàn)
作者簡(jiǎn)歷
學(xué)位論文數(shù)據(jù)集


【參考文獻(xiàn)】：
期刊論文
[1]基于多維特征聚類和用戶評(píng)分的景點(diǎn)推薦算法[J]. 程鵬,柳林,劉曉,許傳新,郭慧.  計(jì)算機(jī)工程與設(shè)計(jì). 2019(05)
[2]基于信任網(wǎng)絡(luò)重構(gòu)的推薦算法[J]. 胡云,張舒,李慧,佘侃侃,施珺.  山東大學(xué)學(xué)報(bào)(工學(xué)版). 2019(02)
[3]協(xié)同深度學(xué)習(xí)推薦算法研究[J]. 馮楚瀅,司徒國(guó)強(qiáng),倪瑋隆.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2019(01)
[4]改進(jìn)模糊劃分聚類的協(xié)同過(guò)濾推薦算法[J]. 蘇慶,章靜芳,林正鑫,李小妹,蔡昭權(quán),曾永安.  計(jì)算機(jī)工程與應(yīng)用. 2019(05)
[5]基于改進(jìn)相似度的協(xié)同過(guò)濾算法[J]. 高興前,王曉峰.  現(xiàn)代計(jì)算機(jī)(專業(yè)版). 2018(25)
[6]大數(shù)據(jù)技術(shù)在網(wǎng)絡(luò)安全分析中的應(yīng)用[J]. 吳世嘉,李言鵬.  網(wǎng)絡(luò)安全技術(shù)與應(yīng)用. 2018(08)
[7]面向大數(shù)據(jù)的教學(xué)資源平臺(tái)搭建與人工智能技術(shù)應(yīng)用研究[J]. 胡飛.  中國(guó)高新區(qū). 2018(12)
[8]多維社交網(wǎng)絡(luò)中的社區(qū)發(fā)現(xiàn)算法研究[J]. 朱家磊,馬強(qiáng),邢玲.  物聯(lián)網(wǎng)技術(shù). 2018(03)
[9]MOOB:一種改進(jìn)的基于Bandit模型的推薦算法[J]. 帖軍,孫榮苑,孫翀,鄭祿.  中南民族大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(01)
[10]基于改進(jìn)協(xié)同過(guò)濾算法的個(gè)性化新聞推薦技術(shù)[J]. 黃賢英,熊李媛,李沁東.  四川大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(01)

博士論文
[1]面向社會(huì)化媒體的用戶生成內(nèi)容推薦技術(shù)研究[D]. 姚遠(yuǎn).南京大學(xué) 2015

碩士論文
[1]基于Spark的分布式推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 倪滿滿.武漢郵電科學(xué)研究院 2018
[2]基于用戶興趣和領(lǐng)域最近鄰的混合推薦算法研究[D]. 葉溪溪.安徽理工大學(xué) 2017
[3]基于Web挖掘的虛假評(píng)論識(shí)別與推薦算法研究[D]. 侯惠敏.西安電子科技大學(xué) 2017
[4]大規(guī)模異構(gòu)信息網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)算法與社區(qū)特征研究[D]. 張正林.北京郵電大學(xué) 2017
[5]基于用戶信任影響力的社會(huì)化推薦算法研究[D]. 薛毅.廣東工業(yè)大學(xué) 2016
[6]融合社交網(wǎng)絡(luò)的協(xié)同過(guò)濾推薦算法的研究與應(yīng)用[D]. 蹇怡.重慶郵電大學(xué) 2016
[7]基于眾包UGC的交通用戶分類推薦模型[D]. 鄧宸博.北京郵電大學(xué) 2016



本文編號(hào)：3182299