本文關(guān)鍵詞：面向eCRM的推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)

  更多相關(guān)文章： eCRM Hadoop OpenStack 推薦系統(tǒng) 網(wǎng)絡(luò)推薦算法

【摘要】：信息技術(shù)的發(fā)展、互聯(lián)網(wǎng)規(guī)模的壯大和網(wǎng)絡(luò)應(yīng)用的普及,使得用戶信息接收量呈指數(shù)增長(zhǎng),信息過(guò)載的時(shí)代已經(jīng)來(lái)臨。在這樣一個(gè)時(shí)代里,我們雖每天接收著來(lái)自外界海量的信息,卻不能實(shí)現(xiàn)目標(biāo)信息的有效關(guān)聯(lián)和篩選。無(wú)論是接收信息的用戶還是信息的提供者,都遭遇到前所未有的挑戰(zhàn)。用戶怎樣從海量的信息里尋找到自己所需要的目標(biāo)信息,提供者如何讓自己的信息被推送至需要它們的用戶那里,成為雙方需要解決的共同難題。傳統(tǒng)搜索引擎在這個(gè)時(shí)候往往顯得捉襟見(jiàn)肘,于是出現(xiàn)了推薦系統(tǒng)。推薦系統(tǒng)將用戶與信息關(guān)聯(lián)起來(lái),通過(guò)分析用戶的個(gè)人喜好,幫助用戶篩選、過(guò)濾信息,挑選那些可能會(huì)有用的信息呈現(xiàn)給用戶。e CRM是基于CRM(C ustomer Relationship Management)并且融合了e-Commerce(電子商務(wù))的大數(shù)據(jù)決策支持平臺(tái)。e CRM包含了大量的產(chǎn)品和用戶的關(guān)系數(shù)據(jù),將e CRM上的企業(yè)產(chǎn)品信息和用戶信息進(jìn)行關(guān)聯(lián),由此設(shè)計(jì)一個(gè)基于e CRM大數(shù)據(jù)決策平臺(tái)的推薦系統(tǒng)已是必然選擇。通過(guò)推薦系統(tǒng),e CRM平臺(tái)能夠根據(jù)用戶的興趣、愛(ài)好或者和這個(gè)用戶相似的用戶的興趣愛(ài)好以及購(gòu)買行為,給出合理、恰當(dāng)?shù)耐扑]信息,避免了用戶在海量信息中選擇產(chǎn)品時(shí)的痛苦。通過(guò)推薦系統(tǒng)提供的推薦服務(wù)能夠極大提高用戶的滿意度,增強(qiáng)用戶忠誠(chéng)度與企業(yè)知名度,使e CRM能充分體現(xiàn)其用戶關(guān)系管理的理念。傳統(tǒng)的推薦系統(tǒng)往往運(yùn)行于單機(jī)之上,極大制約了推薦系統(tǒng)的性能,產(chǎn)生推薦結(jié)果的時(shí)間不能滿足用戶的需要,日益增加的用戶日志數(shù)據(jù)和計(jì)算量也受限于單機(jī)系統(tǒng)資源的約束。本文針對(duì)推薦系統(tǒng)的可擴(kuò)展性問(wèn)題,提出了將推薦系統(tǒng)充分并行化的思想。在深入地研究Apache Hadoop生態(tài)系統(tǒng)中的Map Reduce和HDFS基礎(chǔ)上,將Hadoop部署到基于Open Stack的云平臺(tái)上,并對(duì)新提出的網(wǎng)絡(luò)推薦算法進(jìn)行了Map Reduce化,并在此基礎(chǔ)上設(shè)計(jì)和實(shí)現(xiàn)了面向e CRM的推薦系統(tǒng)的原型。本文所做的主要工作如下:1.通過(guò)對(duì)Hadoop的運(yùn)行機(jī)制、Map Reduce并行化編程原理、常見(jiàn)的推薦算法和推薦系統(tǒng)、以及物質(zhì)擴(kuò)散算法和熱傳導(dǎo)推薦算法的詳細(xì)研究,設(shè)計(jì)了網(wǎng)絡(luò)推薦算法的詳細(xì)Map Reduce化流程。2.推薦系統(tǒng)遵循高內(nèi)聚、低耦合的原則,采用模塊化架構(gòu),使推薦系統(tǒng)的模塊相對(duì)獨(dú)立,并將推薦系統(tǒng)部署到以O(shè)pen Stack作為基礎(chǔ)設(shè)施層、Hadoop作為平臺(tái)服務(wù)層的基礎(chǔ)平臺(tái)上,從而使推薦系統(tǒng)擁有良好的可擴(kuò)展性。3.在e CRM大數(shù)據(jù)決策平臺(tái)的基礎(chǔ)上,利用e CRM產(chǎn)生的數(shù)據(jù),采用經(jīng)過(guò)Map Reduce化的網(wǎng)絡(luò)推薦算法,設(shè)計(jì)出了準(zhǔn)確度高又能滿足新穎化的面向e CRM的推薦系統(tǒng)。
【關(guān)鍵詞】：eCRM Hadoop OpenStack 推薦系統(tǒng) 網(wǎng)絡(luò)推薦算法
【學(xué)位授予單位】：曲阜師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP391.3
【目錄】：

• 摘要4-6
• Abstract6-10
• 第一章 緒論10-16
• 1.1 推薦系統(tǒng)的研究背景和意義10-11
• 1.2 研究現(xiàn)狀11-13
• 1.3 推薦系統(tǒng)目前存在的問(wèn)題13
• 1.4 課題研究的主要內(nèi)容13-15
• 1.5 論文組織結(jié)構(gòu)15-16
• 第二章 推薦系統(tǒng)相關(guān)技術(shù)研究16-26
• 2.1 推薦系統(tǒng)16-17
• 2.2 推薦算法的分類17-21
• 2.2.1 基于內(nèi)容的推薦算法18
• 2.2.2 基于協(xié)同過(guò)濾的推薦算法18-20
• 2.2.3 混合式推薦算法20-21
• 2.3 推薦算法的評(píng)價(jià)指標(biāo)21
• 2.3.1 命中率21
• 2.3.2 絕對(duì)平均誤差21
• 2.4 Hadoop生態(tài)系統(tǒng)21-25
• 2.4.1 分布式文件系統(tǒng)HDFS22-23
• 2.4.2 MapReduce編程模型23-25
• 2.5 本章小結(jié)25-26
• 第三章 基于MapReduce模型的網(wǎng)絡(luò)推薦算法26-41
• 3.1 網(wǎng)絡(luò)推薦算法26-27
• 3.2 物質(zhì)擴(kuò)散算法及其MapReduce化27-36
• 3.2.1 物質(zhì)擴(kuò)散算法27-31
• 3.2.2 物質(zhì)擴(kuò)散算法的MapReduce化31-36
• 3.3 熱傳導(dǎo)推薦算法及其MapReduce化36-40
• 3.3.1 熱傳導(dǎo)推薦算法36-38
• 3.3.2 熱傳導(dǎo)算法的MapReduce化38-40
• 3.4 算法復(fù)雜度分析40
• 3.5 本章小結(jié)40-41
• 第四章 面向eCRM的推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)41-54
• 4.1 推薦系統(tǒng)需求分析和設(shè)計(jì)原則41
• 4.2 推薦系統(tǒng)架構(gòu)設(shè)計(jì)41-44
• 4.3 實(shí)驗(yàn)環(huán)境44-48
• 4.3.1 基于OpenStack的云計(jì)算平臺(tái)44-46
• 4.3.2 Hadoop分布式計(jì)算平臺(tái)46-48
• 4.4 推薦服務(wù)的實(shí)現(xiàn)48-50
• 4.5 推薦服務(wù)的部署50-51
• 4.5.1 推薦服務(wù)的導(dǎo)出50
• 4.5.2 推薦服務(wù)的運(yùn)行50-51
• 4.6 推薦系統(tǒng)測(cè)試51-53
• 4.6.1 登陸51-52
• 4.6.2 注冊(cè)52
• 4.6.3 會(huì)員中心與推薦列表52-53
• 4.7 本章小結(jié)53-54
• 第五章 總結(jié)與展望54-56
• 5.1 論文總結(jié)54
• 5.2 工作展望54-56
• 參考文獻(xiàn)56-58
• 致謝58

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前4條

1 江旭宸;;搜索引擎發(fā)展現(xiàn)狀及展望[J];信息通信;2013年07期

2 朱郁筱;呂琳媛;;推薦系統(tǒng)評(píng)價(jià)指標(biāo)綜述[J];電子科技大學(xué)學(xué)報(bào);2012年02期

3 劉建國(guó);周濤;汪秉宏;;個(gè)性化推薦系統(tǒng)的研究進(jìn)展[J];自然科學(xué)進(jìn)展;2009年01期

4 藺豐奇;劉益;;信息過(guò)載問(wèn)題研究述評(píng)[J];情報(bào)理論與實(shí)踐;2007年05期

，

本文編號(hào)：937702