基于Mahout框架的个性化职位推荐系统

摘要

随着信息技术的飞速发展，网络数据呈几何级数剧增，海量数据产生的背后，是用户面对信息超载，无法快速精准地找到自己适合并需要的信息。面对海量信息，分布式计算、推荐系统等相关技术有效地解决了这个难题。推荐系统通过挖掘用户历史行为数据，设计用户偏好模型，为其推荐满足用户需求的有价值的信息，减少用户在海量数据中搜索的时间成本。 本文首先叙述了推荐系统的相关理论知识，介绍了Apache Mahout框架、Hadoop平台等技术，总结分析目前已有的推荐算法。其次讲解了模糊理论中非可加测度和模糊积分的基础知识以及在推荐系统中的应用场景，在此基础上提出了一种基于模糊积分的推荐策略模型。最后，通过搭建Hadoop分布式计算平台，结合Mahout等开源技术框架，设计实现了一个基于Mahout框架的个性化职位推荐系统，并进行了仿真与测试。本文主要完成的工作如下： 1.提出一种基于模糊积分的职位推荐策略，即根据求职者对职位指标的关注度，采用模糊积分对职位指标的关注度进行模糊综合评价值计算，再根据综合评价值的大小即职位符合度，确定推荐给用户的职位优先顺序。本文提出并实现了基于模糊积分的职位推荐策略模型。 2.设计实现了一个基于Mahout框架的个性化职位推荐系统，其中采用Hadoop平台对大规模职位信息进行分布式处理计算，职位推荐系统整体分为用户相关模块、个性化推荐模块和分布式系统模块。

目录

声明

第一章 绪论

1.1课题研究背景与意义

1.2国内外研究现状

1.3论文研究内容及组织结构

第二章 推荐系统的相关理论与技术研究

2.1个性化推荐算法

2.2 Hadoop平台关键技术介绍

2.3 Mahout关键技术介绍

2.4本章小结

第三章 基于模糊积分的职位推荐模型

3.1非可加测度的定义

3.2 Choquet积分和Wang积分定义

3.3 Choquet积分和Wang积分在推荐系统中的应用

3.4本章小结

第四章 职位推荐系统的深层次分析及实现方式设计

4.1推荐系统整体设计目标

4.2推荐系统总体架构

4.3个性化推荐模块设计

4.4基于Mahout和MapReduce实现分布式推荐策略

4.5数据库设计

4.6本章小结

第五章 职位推荐系统实现

5.1系统环境部署

5.2系统的开发与实现

5.3系统使用操作说明

5.4仿真实验数据分析与评估

5.5系统测试

5.6本章小结

第六章 总结与展望

6.1回顾与总结

6.2展望

参考文献

发表论文和科研情况说明

致谢