銀聯(lián)線下POS機(jī)商戶推薦系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn).pdf

1、隨著信息服務(wù)業(yè)的發(fā)展，人們的生活習(xí)慣也更加精細(xì)化，每人所需要的服務(wù)種類和質(zhì)量均不一樣。信息的大量收集、大數(shù)據(jù)技術(shù)的發(fā)展，使得處理大量數(shù)據(jù)成為可能，并且可以細(xì)化到分析每個(gè)人的行為特征。銀聯(lián)持卡人在面對(duì)大量商戶選擇會(huì)出現(xiàn)很大的迷茫性，從中找到適合自己店家是一件非常耗時(shí)的事情，且有些商戶經(jīng)常出現(xiàn)欺詐性推銷信息。若有一個(gè)推薦系統(tǒng)，幫助用戶篩選優(yōu)質(zhì)商戶，從海量的消費(fèi)記錄中發(fā)掘數(shù)據(jù)背后的價(jià)值，快速有效地幫助用戶找到所需的信息，為用戶推薦優(yōu)質(zhì)商戶，節(jié)

2、約用戶線下購物時(shí)間、提高效率，那么將更好改善用戶服務(wù)體驗(yàn)。
　　本文根據(jù)銀聯(lián)缺少有效的個(gè)性化推薦服務(wù)這個(gè)問題，設(shè)計(jì)并實(shí)現(xiàn)一種基于大數(shù)據(jù)情況下有效的推薦系統(tǒng)，能夠根據(jù)用戶的歷史購買行為推薦給用戶可能感興趣的商戶。從線下商戶推薦的研究背景、研究意義和研究現(xiàn)狀入手，對(duì)推薦系統(tǒng)常見的算法以及所面臨的問題進(jìn)行了較深入研究。在此之上根據(jù)實(shí)際情況，提出了線下商圈的劃分方法，且根據(jù)商業(yè)需求，提出個(gè)性化推薦和大眾化推薦，實(shí)現(xiàn)了改進(jìn)的基于項(xiàng)目的協(xié)同過

3、濾算法和關(guān)聯(lián)規(guī)則算法，從而在一定程度上緩解了推薦系統(tǒng)面臨的主要挑戰(zhàn)。
　　本文的主要工作體現(xiàn)在以下幾個(gè)方面：
　　1）線下商戶推薦系統(tǒng)的需求分析與架構(gòu)設(shè)計(jì)
　　本文就銀聯(lián)缺少商戶推薦服務(wù)，概述了需求背景以及設(shè)計(jì)目的、可能性、場(chǎng)景分析、業(yè)務(wù)流程以及功能需求分析。隨后依據(jù)高可用性、可移植性設(shè)計(jì)水平擴(kuò)展推薦算法的推薦系統(tǒng)框架，可以動(dòng)態(tài)添加和修改推薦引擎。
　　2）商圈劃分聚類方法的設(shè)計(jì)
　　本文根據(jù)實(shí)際情況地址位

4、置不全，無法劃分商圈的問題，設(shè)計(jì)了聚類劃分方法。將商圈劃分方法分兩步走：第一步，將有準(zhǔn)確地址位置的商戶，劃分到各個(gè)商圈；第二步，將無法劃分商圈，和各個(gè)商圈中商戶進(jìn)行聚類運(yùn)算。達(dá)到將所有商戶信息、消費(fèi)信息劃分到各個(gè)商圈目的。
　　3）個(gè)性化模塊協(xié)同過濾推薦算法的改進(jìn)
　　本文根據(jù)實(shí)際情況，采用比較流行的協(xié)同過濾推薦算法，經(jīng)過三種協(xié)同過濾算法對(duì)比和研究，提出了一種符合實(shí)際商戶推薦改進(jìn)版協(xié)同過濾算法，既減少了大型數(shù)據(jù)運(yùn)算的復(fù)雜度，

5、且又不失精確度。
　　4）商戶推薦系統(tǒng)實(shí)現(xiàn)與驗(yàn)證
　　在系統(tǒng)需求分析和算法研究設(shè)計(jì)基礎(chǔ)上，本文在Hadoop大數(shù)據(jù)平臺(tái)上實(shí)現(xiàn)推薦系統(tǒng)來應(yīng)對(duì)推薦系統(tǒng)海量數(shù)據(jù)的計(jì)算，采用大數(shù)據(jù)處理模型MapReduce算法模型、Mahout工具，實(shí)現(xiàn)了改進(jìn)后協(xié)同過濾個(gè)性化推薦、基于FP-Tree關(guān)聯(lián)規(guī)則大眾化推薦。且實(shí)現(xiàn)算法的并行化，不僅提升了計(jì)算效率、減少了系統(tǒng)的反應(yīng)時(shí)間，而且一定程度提高了系統(tǒng)的可擴(kuò)展性。最后在數(shù)據(jù)測(cè)試環(huán)節(jié)，完成了對(duì)商圈劃分