本文關(guān)鍵詞：混合推薦算法在云計算平臺的研究與應(yīng)用，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著互聯(lián)網(wǎng)信息開放式的發(fā)展,互聯(lián)網(wǎng)中的信息指數(shù)式增長,信息過載的問題日益嚴(yán)重。如何在大量的信息中篩選出用戶需要的信息成為當(dāng)今互聯(lián)網(wǎng)急需解決的問題。推薦系統(tǒng)就是誕生在這樣的背景下,推薦系統(tǒng)可以根據(jù)一定的算法挖掘出用戶需要的有效信息。隨著推薦系統(tǒng)的發(fā)展,其核心的推薦算法也層出不窮。因此本文選擇推薦算法作為研究的重點(diǎn)之一。在推薦算法中協(xié)同過濾是比較成熟的推薦技術(shù)。然而協(xié)同過濾技術(shù)中,由于其過度依賴于用戶項(xiàng)目的評分矩陣,在有效數(shù)據(jù)不足的條件下,推薦準(zhǔn)確度會隨著矩陣的稀疏而下降。本文針對于協(xié)同過濾技術(shù)中的評分矩陣的稀疏性問題,提出了一種結(jié)合項(xiàng)目屬性相似性的混合推薦算法。在基于項(xiàng)目的協(xié)同過濾相似性計算的過程中,通過評分矩陣用戶的評分聚集程度產(chǎn)生動態(tài)因子,將基于項(xiàng)目本身屬性的相似性與協(xié)同過濾中項(xiàng)目相似性動態(tài)結(jié)合,從而解決了矩陣的稀疏性問題。通過實(shí)驗(yàn)的比較可以得出,本文設(shè)計的混合推薦算法對比傳統(tǒng)的協(xié)同過濾具有較好的準(zhǔn)確度�；旌贤扑]算法的預(yù)測雖然有較好的準(zhǔn)確性,但是算法過程的融合導(dǎo)致算法復(fù)雜度增加。因此本文將推薦算法與Hadoop云計算平臺進(jìn)行了結(jié)合,在對Hadoop平臺中的分布式文件系統(tǒng)HDFS和MapReduce并行編程模型深入研究后,將推薦算法中復(fù)雜的項(xiàng)目相似度計算過程MapReduce并行化,提高了算法的計算效率。通過MovieLens的數(shù)據(jù)集合實(shí)驗(yàn)證明,混合推薦算與Hadoop云計算平臺具有比較好的并行性能,同時也凸顯了Hadoop云計算平臺的優(yōu)勢。本文深入的研究了推薦算法和云計算的相關(guān)知識后,針對協(xié)同過濾的問題提出了混合推薦算法,并將算法與Hadoop云計算平臺相結(jié)合,提高算法運(yùn)算效率。實(shí)驗(yàn)證明,混合推薦算法與云計算平臺的結(jié)合具有較好的推薦質(zhì)量和較高的運(yùn)算效率。
【關(guān)鍵詞】：推薦算法 混合推薦 協(xié)同過濾 云計算 Hadoop平臺
【學(xué)位授予單位】：中國科學(xué)院研究生院(沈陽計算技術(shù)研究所)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.3
【目錄】：

• 摘要5-6
• ABSTRACT6-9
• 引言9-11
• 第一章 緒論11-16
• 1.1 課題研究的意義11-13
• 1.2 國內(nèi)外研究現(xiàn)狀13-14
• 1.3 研究工作的項(xiàng)目背景和目標(biāo)14-15
• 1.4 論文結(jié)構(gòu)和內(nèi)容安排15-16
• 第二章 相關(guān)技術(shù)研究16-27
• 2.1 推薦算法概述16-20
• 2.1.1 基于內(nèi)容的推薦算法16-18
• 2.1.2 基于協(xié)同過濾的推薦算法18-19
• 2.1.3 混合推薦算法19-20
• 2.3 云計算概述20-22
• 2.3.1 云計算的介紹20-21
• 2.3.2 云計算特點(diǎn)21
• 2.3.3 云計算的關(guān)鍵技術(shù)21-22
• 2.4 開源云計算平臺Hadoop22-26
• 2.4.1 Hadoop簡介22
• 2.4.2 HDFS分布式文件系統(tǒng)22-24
• 2.4.3 MapReduce編程模型24-26
• 2.5 本章小結(jié)26-27
• 第三章 混合推薦算法的研究與設(shè)計27-37
• 3.1 基本理論27-29
• 3.1.1 評分矩陣28
• 3.1.2 相似度的計算方法28-29
• 3.2 項(xiàng)目屬性相似性的計算29-31
• 3.3 綜合相似性的計算31-32
• 3.4 用戶相似性的計算32-33
• 3.5 綜合評分預(yù)測33-34
• 3.6 推薦過程34-35
• 3.7 算法架構(gòu)35-36
• 3.8 本章小結(jié)36-37
• 第四章 Hadoop平臺上的混合推薦算法并行化實(shí)現(xiàn)37-48
• 4.1 推薦過程分析37
• 4.2 相似性計算MapReduce并行化37-45
• 4.2.1 項(xiàng)目評分相似性計算并行化38-40
• 4.2.2 項(xiàng)目屬性相似性計算并行化40-42
• 4.2.3 綜合相似性計算并行化42-44
• 4.2.4 相似性排序計算并行化44-45
• 4.3 用戶相似性計算MapReduce并行化45-46
• 4.4 并行化過程數(shù)據(jù)的處理和保存46-47
• 4.5 本章小結(jié)47-48
• 第五章 算法實(shí)驗(yàn)與結(jié)果分析48-56
• 5.1 Hadoop平臺環(huán)境的搭建48-51
• 5.1.1 軟硬件描述48
• 5.1.2 Haoop環(huán)境搭建48-51
• 5.2 實(shí)驗(yàn)設(shè)計與結(jié)果分析51-55
• 5.2.1 實(shí)驗(yàn)數(shù)據(jù)51-52
• 5.2.2 度量標(biāo)準(zhǔn)52
• 5.2.3 實(shí)驗(yàn)結(jié)果52-55
• 5.3 本章小結(jié)55-56
• 第六章 總結(jié)與展望56-58
• 6.1 本文的總結(jié)56-57
• 6.2 下一步計劃57-58
• 參考文獻(xiàn)58-60
• 發(fā)表文章60-61
• 致謝61

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 徐義峰;徐云青;劉曉平;;一種基于時間序列性的推薦算法[J];計算機(jī)系統(tǒng)應(yīng)用;2006年10期

2 余小鵬;;一種基于多層關(guān)聯(lián)規(guī)則的推薦算法研究[J];計算機(jī)應(yīng)用;2007年06期

3 張海玉;劉志都;楊彩;賈松浩;;基于頁面聚類的推薦算法的改進(jìn)[J];計算機(jī)應(yīng)用與軟件;2008年09期

4 張立燕;;一種基于用戶事務(wù)模式的推薦算法[J];福建電腦;2009年03期

5 王晗;夏自謙;;基于蟻群算法和瀏覽路徑的推薦算法研究[J];中國科技信息;2009年07期

6 周珊丹;周興社;王海鵬;倪紅波;張桂英;苗強(qiáng);;智能博物館環(huán)境下的個性化推薦算法[J];計算機(jī)工程與應(yīng)用;2010年19期

7 王文;;個性化推薦算法研究[J];電腦知識與技術(shù);2010年16期

8 張愷;秦亮曦;寧朝波;李文閣;;改進(jìn)評價估計的混合推薦算法研究[J];微計算機(jī)信息;2010年36期

9 夏秀峰;代沁;叢麗暉;;用戶顯意識下的多重態(tài)度個性化推薦算法[J];計算機(jī)工程與應(yīng)用;2011年16期

10 楊博;趙鵬飛;;推薦算法綜述[J];山西大學(xué)學(xué)報(自然科學(xué)版);2011年03期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 王韜丞;羅喜軍;杜小勇;;基于層次的推薦:一種新的個性化推薦算法[A];第二十四屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2007年

2 唐燦;;基于模糊用戶心理模式的個性化推薦算法[A];2008年計算機(jī)應(yīng)用技術(shù)交流會論文集[C];2008年

3 秦國;杜小勇;;基于用戶層次信息的協(xié)同推薦算法[A];第二十一屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2004年

4 周玉妮;鄭會頌;;基于瀏覽路徑選擇的蟻群推薦算法:用于移動商務(wù)個性化推薦系統(tǒng)[A];社會經(jīng)濟(jì)發(fā)展轉(zhuǎn)型與系統(tǒng)工程——中國系統(tǒng)工程學(xué)會第17屆學(xué)術(shù)年會論文集[C];2012年

5 蘇日啟;胡皓;汪秉宏;;基于網(wǎng)絡(luò)的含時推薦算法[A];第五屆全國復(fù)雜網(wǎng)絡(luò)學(xué)術(shù)會議論文（摘要）匯集[C];2009年

6 梁莘q，

本文編號：410242