基于分布式平臺的個性化推薦系統(tǒng)研究.pdf

1、近年來，發(fā)展勢頭迅猛的互聯(lián)網行業(yè)，極大的促進了社會發(fā)展并改善了人們的生活方式。Web的廣泛使用和普及，也使得基于Web平臺的網絡商務交易應用模式變得愈發(fā)流行。網絡商務的推廣應用中最典型的一個問題就是“信息過載”，互聯(lián)網信息的種類繁多，物品數(shù)量龐大，推薦技術是在大量看似散亂無關的數(shù)據(jù)中分析并提取出用戶可能會關注的信息的一種策略，因此如何給予參與者更好、更快速的推薦服務體驗顯得尤為重要。然而，網絡商務交易系統(tǒng)規(guī)模的快速增長使得推薦系統(tǒng)的實施

2、也受到了來自許多方面的挑戰(zhàn)，其中影響其發(fā)展的幾個主要問題有：特征提取問題、“冷啟動”問題、數(shù)據(jù)稀疏性問題、算法可擴展性問題等等，本文將致力于解決上述幾個推薦難題。
　　在當今的社會背景下，局限于單機性能的推薦系統(tǒng)在面對海量規(guī)模的數(shù)據(jù)的分析和處理業(yè)務面前顯得力不從心，所以迫切的需要結合云平臺處理海量規(guī)模數(shù)據(jù)的并行計算特性，將傳統(tǒng)的推薦系統(tǒng)的解決方案改進成適合分布式平臺處理的方案才是推薦領域未來的研究發(fā)展的態(tài)勢。
　　文章重點研

3、究和分析了三類常見的推薦技術的核心原理和方法，對比分析了協(xié)同過濾推薦模型、ContentBased模型和SlopeOne推薦模型的特性，針對不同的推薦技術中存在的不足之處，提出相應的改進方法。另外從用戶特性和物品特性的角度出發(fā)，嘗試使用組合模型來融合不同推薦技術的優(yōu)點以求最大程度的優(yōu)化推薦模型。為了能夠高效地處理具有大規(guī)模數(shù)據(jù)量的推薦應用，本文結合Hadoop平臺高效的并行計算能力將幾種改進的推薦技術實現(xiàn)為分布式推薦算法，并通過仿真實驗