基于hadoop大數據框架的個性化推薦系統研究與實現.pdf_第1頁
已閱讀1頁,還剩89頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、信息過載問題在當今世界越來越突出,目前有三種比較成熟的處理方法,即網站導航、搜索引擎以及推薦系統。網站導航通過收錄著名網站并分門別類的方式解決信息過載問題。而搜索引擎通過為海量網頁建立索引的方式解決信息過載問題。但是當用戶不能明確表述自己的需求時,前兩者就略顯無力了,而推薦系統就可以解決此類問題。推薦系統通過分析用戶歷史行為記錄,主動為用戶推薦其潛在感興趣的內容。但是隨著互聯網的高速發(fā)展,信息量也呈幾何倍數增加,傳統的推薦系統在海量數據

2、下容易遭遇計算瓶頸。此外傳統推薦系統未充分考慮用戶興趣多變且呈現一定的離散性的問題。
  針對以上問題,本文參考以往推薦系統設計方案,以搜索引擎下圖書的個性化推薦系統為目標,研究并實現一種基于潛在語義分析和分片聚類的混合推薦系統方案。并使用hadoop大數據處理框架解決推薦系統海量數據處理問題。本文首先研究搜索引擎下用戶行為數據采集方法。分析搜索引擎下用戶行為類型及其特性,針對各數據類型及其特性使用不同的數據采集方式以及標準化方法

3、,從而完成用戶行為數據采集工作。其次,針對搜索引擎下用戶行為獨特性和用戶興趣多變問題,提出潛在語義分析模型和分片聚類模型分別挖掘用戶行為大數據下的長久興趣和即時興趣。其中,潛在語義分析推薦模型以內容進行推薦,可以緩解用戶和圖書冷啟動問題,并提升系統推薦的覆蓋率。而基于分片聚類的協同過濾推薦模型中的將用戶行為按屬性和內容分片,可以抽取出用戶不同時期的興趣,從而進一步提升推薦性能,且推薦結果具有一定的新穎性。此外,針對分片聚類過程中搜索引擎

4、下用戶相似度計算問題,提出一種基于用戶檢索詞的改進混合類型數據相似度計算方法。最后,基于Hadoop大數據處理框架研究用戶行為預處理以及推薦算法的并行化方法,完成搜索引擎下圖書的個性化推薦系統的設計與實現。
  通過引入Hadoop大數據處理平臺,設計并行化的推薦算法,系統處理海量數據的能力有很大提升。通過基于潛在語義分析的推薦模型和分片聚類的推薦模型協同作用,搜索引擎下圖書的個性化推薦精準度和覆蓋率也有一定改善。最后,通過系統測

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論