基于交替最小二乘法的Spark个性化影片推荐系统

摘要

针对基于k-means的传统推荐系统可信度低、计算时间长、精度低等问题,该文提出了交替最小二乘(ALS)协同过滤优化算法——拟牛顿法。采用Spark统一部署环境,基于ALS法矩阵分解的协同过滤算法,并使用SQL数据库搭建推荐系统后端。后端算法使用IntelliJ IDEA编译运行Scala语言,并打包程序生成JAR包。前端开发使用Express框架和Jade模版引擎,将系统前端所产生的数据与影片信息数据存储在MySQL数据库中,并使用Node.js语言搭建动态网页呈现推荐结果。与传统协同过滤算法进行实验效果对比,研究结果表明,使用优化算法的推荐系统降低了推荐时间,提高了推荐准确率。