基于Spark的协同过滤并行推荐算法设计

摘要

为提升推荐算法精准性,满足用户精准、实时的信息推荐需求,并保障用户隐私信息的安全,本文提出了基于Spark的协同过滤并行推荐ALS算法。针对用户隐私信息安全问题,引入差分隐私保护,对提出的模型进行差分隐私的项目平均分处理、差分隐私的用户平均分处理,进而得到引入差分隐私的ALS协同过滤并行推荐算法模型,并对ALS算法的实现进行详细分析。为验证算法可行性,本文应用Spark分布式集群,共设置5台实验设备,设置预处理为0.3ε,输入差分隐私保护为0.7ε,稳定参数15、20,模型隐含特征数量10,对算法进行实验分析。实验结果表明,本文提出的算法具有较高的推荐准确率,且运行效率较高,有良好的扩展性,具有较高的实际应用价值。