增量協(xié)同過濾算法的并行化改進.pdf

1、增量協(xié)同過濾算法的并行化改進重慶大學(xué)碩士學(xué)位論文（學(xué)術(shù)學(xué)位）學(xué)生姓名：王威風(fēng)指導(dǎo)教師：夏云霓副教授專業(yè)：計算機軟件與理論學(xué)科門類：工學(xué)重慶大學(xué)計算機學(xué)院二O一五年四月重慶大學(xué)碩士學(xué)位論文中文摘要I摘要隨著互聯(lián)網(wǎng)的發(fā)展，信息過載的時代到來，能解決該問題的推薦系統(tǒng)得到了廣泛的研究和應(yīng)用。其中協(xié)同過濾推薦在電子商務(wù)領(lǐng)域的應(yīng)用最為廣泛，但是隨著近幾年參與網(wǎng)上購物的用戶數(shù)的暴增，以及商品的多樣化的發(fā)展，協(xié)同過濾推薦系統(tǒng)需要面對的數(shù)據(jù)量成線性增長，

2、此時傳統(tǒng)的協(xié)同過濾推薦算法面對如此大的數(shù)據(jù)量可擴展性和實時性的問題開始突顯，算法運行時間變得過久，無法為快速響應(yīng)用戶的最新需求；或者算法無法運行如此大的數(shù)據(jù)量，因而無法推薦。此時增量的協(xié)同過濾算法得到研究，該算法僅使用增量數(shù)據(jù)和部分相關(guān)原數(shù)據(jù)來動態(tài)更新相應(yīng)的算法因子，因而計算時間大大縮短，能較好的應(yīng)付大數(shù)據(jù)量，并且擁有較好的實時性。本文首先對相似度進行了改進，在實驗的基礎(chǔ)上優(yōu)化了推薦預(yù)測階段的K近鄰算法，同時對增量協(xié)同過濾算法進行了并行

3、化的改進。主要研究工作包括如下四個方面：①對推薦系統(tǒng)的發(fā)展現(xiàn)狀、系統(tǒng)分類、評測指標(biāo)及相關(guān)技術(shù)進行了介紹，并重點介紹了協(xié)同過濾推薦算法、分類、比較、及其存在的問題。②接著介紹了增量算法中使用的GDC相似度，并在這個相似度的基礎(chǔ)上提出了修正的GDC相似度，實驗表明該相似度能進一步提高算法的準(zhǔn)確度，并且使最優(yōu)K近鄰的值較小。③提出了優(yōu)化的K近鄰算法，在基于項目的協(xié)同過濾算法預(yù)測評分階段，在預(yù)測某一用戶的未評分項目時，最優(yōu)K近鄰的值和該用戶的已

4、評分項目個數(shù)P相關(guān)，通過在已評分項目個數(shù)上乘上一個因子g屬于0.10.2，…，1.0，使K=Pg我們得到優(yōu)化的K近鄰算法，實驗表明該算法在選定一個較優(yōu)g值時系統(tǒng)的準(zhǔn)確度較穩(wěn)定，系統(tǒng)數(shù)據(jù)量的增加對準(zhǔn)確度的影響很小，而不像傳統(tǒng)的K近鄰，最優(yōu)K值隨數(shù)據(jù)量變化而變化。④介紹了增量協(xié)同過濾算法的處理過程，包括因子分解，因子更新，因子組合推薦。并在該算法的基礎(chǔ)上對因子更新階段進行了并行化改進，通過多線程使因子更新階段實現(xiàn)并行化。實驗表明，該算法能顯