针对冷启动的分布式协同过滤推荐系统的研究

摘要

协同过滤推荐技术能够根据用户的历史评价信息数据，预测出用户对目标对象的潜在兴趣值，并以此为依据提供为目标用户推荐其感兴趣的内容。传统的协同过滤推荐技术随着预测数据规模的持续增长，面临着数据稀疏性、冷启动和计算可扩展性等问题，导致协同过滤推荐算法的效果和效率都下降，进而使得用户体验严重失衡。　　本文针对协同过滤推荐算法中数据稀疏性质的冷启动问题进行了深入的研究，具体工作包括如下三个方面的内容：　　1、提出了基于标签技术与两方向聚类的协同过滤推荐算法。算法先利用聚类后的标签以及标签与项目的关联关系进行目标内容的评分预测；再通过计算目标内容的类别概率，将用户和内容划分到多个类别中，然后在每个类别中对未评分内容进行预测填充；最后，算法依据内容相似度计算方法为用户推荐目标对象。　　2、设计并实现了分布式框架中的聚类算法和推荐算法。聚类算法和推荐算法是本文提出的方法中的两个关键内容。在推荐算法中，这两个算法非常消耗系统资源，本文应用 MapReduce框架，基于Hadoop平台，将联合聚类算法和推荐算法编程于分布式计算环境中，使推荐算法能够运行高效和推荐精确。　　3、通过实验证明，在解决冷启动问题上与现有的几种算法比较，文章所提出的方法的推荐准确率有较大的优势。以分布式框架设计和实现的算法能够有效地处理海量目标数据，明显地缩短了推荐系统的运行时间。

目录

声明

第一章 绪论

1.1 研究背景及意义

1.2 研究现状

1.3 研究内容

1.4 论文的组织结构

第二章 相关技术

2.1 协同过滤推荐算法概述

2.2 标签技术

2.3 聚类技术

2.4 HDP和MapReduce并行编程

2.5 本章小结

第三章 冷启动问题的分布式协同过滤推荐

3.1 引言

3.2 相关解决方案

3.3 算法分析

3.4 基于标签与两方向聚类的协同过滤推荐算法

3.5 MapReduce分布式并行计算框架

3.6 本章小结

第四章 实验与分析

4.1 系统实现

4.2 实验数据及实验环境

4.3 评价方法

4.4 实验设计

4.5 实验结果

4.6 本章小结

第五章 结束语

5.1 总结

5.2 展望

参考文献

攻读学位期间主要的研究成果

致谢