手机应用推荐算法及分布式实现研究

摘要

随着智能手机的普及，各种各样的手机应用层出不穷，手机应用下载平台面临着严重的信息过载问题。个性化推荐是解决信息过载问题最直接的方法，但是目前大部分应用下载平台的推荐服务还停留在热门榜单推荐上，没有一个个性化的推荐系统。这主要是因为在手机应用推荐场景中，一般传统的商品推荐算法无法取得良好的推荐效果，其推荐的结果有时甚至还不如热门榜单的推荐。除此以外，手机应用的数量过大，使的手机应用推荐算法的算法时间复杂度过高，也是传统推荐算法难以直接应用在手机应用推荐场景中的原因。
　　本文首先介绍了个性化推荐的国内外研究现状，并分析了商品推荐算法不适用于手机应用推荐场景的原因。之后针对以上问题引入了应用可见度，并将其加入到现有的推荐算法中，使得算法能够适应手机应用的推荐场景。并且为了使得推荐算法能够处理超大规模的数据，本文通过对推荐算法的改写，使之能够运行在分布式平台上，加快算法的运行速度。文章的最后通过对比实验，验证了算法引入可见度之后的有效性，并构造了不同的数据集，检验了分布式推荐算法的运行效率。

目录

声明

摘要

第1章 绪论

1．1 课题背景

1．2 国内外研究现状

1．2．1 个性化推荐的发展

1．2．2 基于协同过滤的推荐

1．2．3 分布式并行计算

1．3 本文的主要贡献

1．4 本文的组织结构

1．5 本章小结

第2章 相关研究技术概述

2．1 协同过滤算法

2．1．1 基于内存的协同过滤

2．1．2 基于模型的协同过滤

2．2 分布式机器学习算法

2．2．1 基于Hadoop平台的逻辑回归算法

2．2．2 基于GraphX平台的Pure-SVD算法

2．3 本章小结

第3章 引入可见度的改进版Climf算法

3．1 手机应用推荐场景分析

3．2 榜单引导效应分析

3．3 推荐算法的选择

3．4 手机应用可见度

3．5 计算热门应用可见度

3．6 优化后的climf算法

3．7 推荐结果的生成

3．8 本章小结

第4章 Climf算法的分布式实现

4．1 分布式计算平台

4．2 数据定义

4．3 参数更新

4．4 计算评价指标

4．5 改进版Climf算法的分布式实现

4．6 算法伪代码

4．7 算法复杂度分析

4．8 算法优化

4．9 本章小结

第5章 实验

5．1 实验内容

5．2 实验数据

5．3 实验设计

5．4 评价指标

5．5 参数设定

5．6 实验结果及分析

5．7 本章小结

第6章 总结和展望

6．1 本文总结

6．2 未来展望

参考文献

致谢