基于Hadoop的新聞推薦系統(tǒng)關鍵技術的研究.pdf

1、近年來，互聯(lián)網技術的迅猛發(fā)展對用戶造成了信息過載的困擾，導致用戶想要獲取需要的信息變得愈發(fā)困難。搜索引擎雖然能夠給用戶查詢想要的信息，但是仍然缺乏主動性。在這個基礎上，出現(xiàn)了個性化推薦系統(tǒng)。個性化推薦系統(tǒng)不需要用戶輸入信息，便能主動提供用戶感興趣的信息，因此得到了廣泛使用。個性化推薦系統(tǒng)通常建立在大數(shù)據量分析與挖掘平臺上，通過對用戶的注冊登錄信息，歷史行為等來分析用戶的偏好，找到用戶潛在的興趣，進而進行個性化推薦來改善用戶的互聯(lián)網體驗。

2、
　　在新聞媒體領域，每天都會產生海量的數(shù)據。新聞數(shù)據往往具有鮮明的時效性，歸類性，社會化等特點。針對這些特點，已經有一些新興的新聞媒體將傳統(tǒng)的新聞推送方式與個性化推薦系統(tǒng)相結合，極大的增強了用戶與新聞介質之間的黏性，也使得新聞媒體更好的融入到互聯(lián)網的發(fā)展中。雖然新聞媒體與個性化推薦系統(tǒng)的結合是主流趨勢，但仍然會面臨一些推薦系統(tǒng)特有的問題，如冷啟動，數(shù)據量太大，準確率與召回率過低，時效性等等，這些問題的解決都是研究個性化推薦系統(tǒng)中

3、的關鍵。
　　本文結合了目前推薦系統(tǒng)中的研究成果，將社交化的用戶信息結合到個性化新聞推薦系統(tǒng)中，本文的主要工作成果為：
　　1、將用戶的社交信息與用戶歷史行為捆綁推薦。
　　2、為提高推薦系統(tǒng)效率，提出了一種基于社交網絡的最短距離聚類算法(SDCA)，力求在推薦算法執(zhí)行之前，預先對用戶進行一次聚類。此算法改變傳統(tǒng)的推薦系統(tǒng)的輸入方式，使得推薦系統(tǒng)的推薦效率得到了有效提高。
　　3、將個性化新聞推薦系統(tǒng)與大數(shù)據相結