基于位置的推薦計(jì)算：Spark實(shí)現(xiàn).pdf

1、自1990年第一篇使用協(xié)同過濾算法進(jìn)行推薦的論文誕生以來，推薦系統(tǒng)在工業(yè)界和學(xué)術(shù)界已經(jīng)有了廣泛的發(fā)展。傳統(tǒng)的推薦系統(tǒng)算法主要使用的基于協(xié)同過濾的推薦算法，基于上下文感知的推薦算法以及基于社交網(wǎng)絡(luò)的推薦算法等，而基于用戶地理位置的產(chǎn)品推薦方法并沒有廣泛流行。但隨著移動(dòng)互聯(lián)網(wǎng)的蓬勃發(fā)展，用戶的地理位置數(shù)據(jù)通過手機(jī)端GPS開始被大量獲取，開始成為商品推薦的重要特征屬性，使得一些基于用戶地理位置的商品推薦任務(wù)成為可能。
　　本文總結(jié)傳統(tǒng)的

2、推薦計(jì)算方法以及現(xiàn)代的推薦計(jì)算方法的發(fā)展歷程，通過收集基于位置的人口普查數(shù)據(jù)和產(chǎn)品交易數(shù)據(jù)，提出一些基于位置的產(chǎn)品推薦計(jì)算方法。同時(shí)，由于數(shù)據(jù)規(guī)模較大，數(shù)據(jù)計(jì)算和調(diào)度的管理變得越加困難，單機(jī)計(jì)算模式難以處理海量的計(jì)算需求，而基于MapReduce的Hadoop平臺(tái)在面對(duì)多輪迭代的機(jī)器學(xué)習(xí)技術(shù)時(shí)顯得有些力不從心。因此，本文使用Oozie來進(jìn)行數(shù)據(jù)流調(diào)度的管理，并使用Spark來加速機(jī)器學(xué)習(xí)算法的計(jì)算效率。經(jīng)過實(shí)驗(yàn)比較和驗(yàn)證之后，證明使用O