在數(shù)據(jù)規(guī)模呈現(xiàn)出指數(shù)增長(zhǎng)趨勢(shì)的今天,如何借助數(shù)據(jù)挖掘技術(shù)從海量數(shù)據(jù)中快速準(zhǔn)確地抽取最精簡(jiǎn)、最有價(jià)值的信息,已經(jīng)成為當(dāng)前的研究熱點(diǎn)。同時(shí),如何利用數(shù)據(jù)挖掘技術(shù)來(lái)提高推薦系統(tǒng)的推薦準(zhǔn)確度也成為了重要課題。本文重點(diǎn)對(duì)模糊聚類算法及其在協(xié)同過(guò)濾推薦中的應(yīng)用進(jìn)行研究。首先以提高模糊聚類算法的效率為目標(biāo),利用大數(shù)據(jù)處理平臺(tái)Spark的特點(diǎn)進(jìn)行了模糊聚類算法FCM的并行化方案設(shè)計(jì)與實(shí)現(xiàn),該方案用HDFS對(duì)底層數(shù)據(jù)進(jìn)行分布式存儲(chǔ),用RDD機(jī)制進(jìn)行計(jì)算過(guò)程中的數(shù)據(jù)轉(zhuǎn)換,用持久化技術(shù)實(shí)現(xiàn)中間結(jié)果的重用;在KDD CUP99數(shù)據(jù)集上的聚類實(shí)驗(yàn)結(jié)果驗(yàn)證了基于Spark平臺(tái)的并行化FCM算法具有更好的聚類精度和時(shí)效性。然后,將并行化的FCM算法與基于用戶的協(xié)同過(guò)濾推薦算法UserCF相結(jié)合,設(shè)計(jì)了融合FCM的UserCF算法,命名為FCM-UserCF算法,該算法首先使用FCM算法將所有用戶聚類成幾個(gè)局部用戶群,使UserCF算法查找最近鄰居的計(jì)算從全局變?yōu)榫植?用Slope One算法填充用戶-項(xiàng)目評(píng)分矩陣,以改善數(shù)據(jù)稀疏性和計(jì)算的實(shí)時(shí)性;用UserCF算法計(jì)算用戶間的相似度和最近鄰,產(chǎn)生預(yù)測(cè)評(píng)分和進(jìn)行TOP... 

【文章來(lái)源】：南京郵電大學(xué)江蘇省

【文章頁(yè)數(shù)】：61 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

電子商城推薦原型系統(tǒng)架構(gòu)

開(kāi)發(fā)環(huán)境 版本Java JDK8Maven 3.5.0SpringMVC 5.1.4Spring 5.1.4Mybatis 3.4.6Vue.js 2.6.10MySQL 8.0.15境主要為Spark集群環(huán)境，具體的Spark集群環(huán)系統(tǒng)網(wǎng)頁(yè)包括注冊(cè)登錄頁(yè)面、完善屬性信息頁(yè)網(wǎng)頁(yè)如圖 5.4 至圖 5.8 所示。

登錄頁(yè)面效果圖


本文編號(hào)：3409675