基于MapReduce的電子商務(wù)個性化推薦研究.pdf

1、隨著大數(shù)據(jù)時代的到來，用戶的個人信息以各種方式分布在不同的存儲設(shè)備中，集成所有的用戶信息并且通過一定的挖掘技術(shù)能夠得出用戶的潛在需求。目前電子商務(wù)發(fā)展飛速，移動電子商務(wù)更將在以后占據(jù)主導(dǎo)地位，如何能夠迅速挖掘用戶的個人潛在需求，把用戶可能感興趣的產(chǎn)品推送給用戶成為大數(shù)據(jù)時代下，電子商務(wù)企業(yè)需要解決的問題。目前電子商務(wù)個性化推薦的精準(zhǔn)度還有待提高，個性化推薦手段單一，并沒有經(jīng)過深層次的數(shù)據(jù)分析，而是已基于用戶的瀏覽信息和購買信息給用戶推薦

2、相關(guān)產(chǎn)品。這種推薦方式的效率不高，大數(shù)據(jù)時代的個性化推薦框架應(yīng)該從源頭進行分析和挖掘。
　　針對以上問題，本文從大數(shù)據(jù)集的源頭出發(fā)，根據(jù)用戶信息數(shù)據(jù)來源的不同方式，集合所有的個性信息，然后使用大數(shù)據(jù)時代下的挖掘技術(shù)，把具有相關(guān)聯(lián)的信息挖掘出來，并且存儲到企業(yè)的數(shù)據(jù)庫中，供企業(yè)進行相關(guān)產(chǎn)品的推薦。構(gòu)建了基于MapReduce的電子商務(wù)個性化推薦體系，并且給出了挖掘體系中的核心模塊，基于MapReduce的思想，提出了把數(shù)據(jù)集分割的方

3、法，簡稱為APD個性化推薦算法，有效的避免了對整個數(shù)據(jù)庫的掃描，提高了挖掘效率，并且通過局部最優(yōu)解與全局最優(yōu)解的理論得出了基于MapReduce分割的APD個性化推薦算法的正確性。在基于APD的算法中，本文提出了一種逐步剔除的思想，通過設(shè)定支持度和置信度，在每個獨立的數(shù)據(jù)塊中逐步提出不符合設(shè)定的支持度的頻繁項集，直到得出最優(yōu)的結(jié)果，本文給出了算法的思想的流程，并且通過算法具體過程的演示和證明，能夠得出本算法節(jié)省了時間和空間資源，是具有較