在新聞傳媒領(lǐng)域,存在著大量的用戶對其看過的新聞的閱覽及興趣度等信息,因此如何在海量不斷更新的新聞中挖掘出用戶的閱覽需求,量身定制用戶的個(gè)性化新聞推薦,對于提升用戶的體驗(yàn)變的尤為重要。此外,隨著用戶量、新聞量及其數(shù)據(jù)待處理量的不斷增長,解決可擴(kuò)展性的問題成為推薦系統(tǒng)發(fā)展中最主要問題,而將Spark分布式大數(shù)據(jù)計(jì)算平臺與推薦系統(tǒng)結(jié)合可以有效地解決這個(gè)問題。論文首先總結(jié)分析了應(yīng)用較為廣泛的推薦算法、粒子群算法、基于密度的聚類算法-DBSCAN聚類等。同時(shí),文中詳細(xì)說明了在分布式計(jì)算平臺Spark中,最為主要的三個(gè)組成部分:Spark RDD(彈性分布式數(shù)據(jù)集)、Spark MLlib(機(jī)器學(xué)習(xí)功能程序庫)以及Spark運(yùn)行框架的基本工作原理。并對基于LFM隱語義模型的協(xié)同過濾推薦算法及其并行化實(shí)現(xiàn)進(jìn)行了針對性研究。其次提出了基于粒子群算法的DBSCAN聚類算法,簡稱為PSO-DBSCAN算法,對LFM算法進(jìn)行了深入分析并用時(shí)間函數(shù)與用戶相似度計(jì)算函數(shù)對其進(jìn)行改進(jìn),最終提出了結(jié)合PSO-DBSCAN算法與改進(jìn)LFM算法的融合推薦算法:用時(shí)間函數(shù)對用戶-物品興趣度矩陣進(jìn)行加權(quán)處理,再用LFM模型對...

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖1網(wǎng)易云音樂個(gè)性推薦界面

信息化社會不斷發(fā)展的推動下，推薦系統(tǒng)已經(jīng)得到了廣泛應(yīng)用，這樣的例子有很多被我們所熟知。比如國外有一個(gè)音樂推薦系Ringo，這個(gè)系統(tǒng)會分析所有使用者對歌曲的評分情況，從而計(jì)算出這些用戶之間的相似度，然后再根據(jù)相似度的結(jié)果，把用戶劃分到興趣類中，同一個(gè)興趣類中的用戶之間就可以互相推....

圖2推薦系統(tǒng)模塊間關(guān)系

推薦系統(tǒng)的基礎(chǔ)理論展和網(wǎng)絡(luò)的迅速普及，人們，迅速跨入一個(gè)具有海量信問題，先后出現(xiàn)了分類目錄統(tǒng)與其他不同的區(qū)別主要是個(gè)性化推薦服務(wù)，并且所推變化，高性能的推薦系統(tǒng)能要的信息，從而大幅度提示通常意義上來講，至少應(yīng)該展示[23]，這幾個(gè)模塊之間的

圖3基于用戶的協(xié)同過濾推薦算法示例

過濾的推薦算法法的原理是分析用戶與物品之間的關(guān)系數(shù)據(jù)，利用化推薦。常用的協(xié)同過濾算法主要有兩類：基于領(lǐng)協(xié)同過濾算法。下面針對這兩類協(xié)同過濾算法進(jìn)行域的協(xié)同過濾算法主要思想是利用用戶對物品的打分矩陣也就是用戶的信息進(jìn)行分析，在這個(gè)分析過程中，計(jì)算每個(gè)項(xiàng)后再利用相似度排序得到最終推薦....

圖4基于物品同過濾推薦算法的示例

華北理工大學(xué)碩士學(xué)位論文通過觀察這三個(gè)用戶的新聞喜好記錄可以看出，用戶甲和用戶丙有著相似注愛好點(diǎn)，用戶甲還閱讀了新聞A，可以推測出，用戶丙在閱讀過程中，能會閱讀新聞A，然后，將新聞A推薦給用戶丙。基于物品的協(xié)同過濾推薦原理上與基于用戶的協(xié)同過濾推薦類似，它主要析用戶的歷史....

本文編號：4038805