個性化推薦算法研究及“大數(shù)據(jù)”下的系統(tǒng)開發(fā).pdf

1、隨著電子商務(wù)等互聯(lián)網(wǎng)服務(wù)系統(tǒng)的不斷發(fā)展，越來越多的用戶數(shù)據(jù)、項目數(shù)據(jù)以及用戶與項目之間的交互數(shù)據(jù)積累在其中。這些海量多樣的數(shù)據(jù)使得用戶浪費大量的時間去選擇和過濾產(chǎn)品。此時個性化推薦系統(tǒng)就可以解決此類的數(shù)據(jù)膨脹問題，它可以利用這些基礎(chǔ)數(shù)據(jù)，通過使用數(shù)據(jù)挖掘和人工智能等技術(shù)，挖掘出用戶的興趣愛好和偏向，向用戶推薦與興趣相符的商品和服務(wù)，從而提高用戶體驗并給企業(yè)帶來更多的經(jīng)濟效益。
　　 本文首先分析了基于內(nèi)容和基于協(xié)同過濾的推薦算法

2、的優(yōu)缺點，并在此基礎(chǔ)上對傳統(tǒng)的基于混合推薦方法進行改進。首先利用用戶與項目之間的評分信息和特征信息來優(yōu)化項目間的相似度計算;然后在用戶和項目的全局關(guān)系下構(gòu)建了一個用戶與項目的加權(quán)兩層圖模型，并使用隨機游走算法完成個性化的項目推薦和用戶推薦。該算法相比其他推薦方法，考慮了項目本身的特征信息，并在全局關(guān)系下更全面的計算用戶項目之間的相似性。實驗結(jié)果表明，它具有更高的準確度。
　　 個性化推薦系統(tǒng)研究本質(zhì)由算法和系統(tǒng)兩部分組成。隨著越

3、來越多大型的電子商務(wù)系統(tǒng)企業(yè)被推薦系統(tǒng)所吸引，大數(shù)據(jù)和實時計算問題也日益成為推薦系統(tǒng)的研究重點。本文首先對推薦系統(tǒng)的兩個技術(shù)瓶頸問題:計算有效性和實時性進行了分析;然后借助軟件設(shè)計的思想，把系統(tǒng)分為Web前端、離線計算和實時計算等幾個模塊，并分別進行了分析;最后，通過引入Hadoop、Storm、RabbitMQ和Redis等多種最新的開源技術(shù)，設(shè)計了一個完整的個性化推薦系統(tǒng)的構(gòu)建方案。在該方案中，我們針對大數(shù)據(jù)的離線計算和實時計算提出