基于大规模评分数据对用户进行商品在线实时推荐的方法

摘要

本发明涉及一种基于大规模评分数据对用户进行商品在线实时推荐的方法，是一种基于并行朴素贝叶斯回归模型的协同过滤推荐方法。首先，将数据存储于Hadoop的HDFS上，并行读取用户对项目的评分数据，对评分进行四舍五入的取整和离散化；其次，将用户和项目作为独立属性，离散化后的各评分作为类别，利用MapReduce框架实现的并行朴素贝叶斯分类模型计算用户对商品各评分类别的概率；最后，通过求期望来预测用户对商品的评分，应用于商品推荐。本方法解决了传统协同过滤算法时空效率低，预测成功率低和实时性不佳的问题，提高了推荐的时空效率、准确率和成功率，适合于大规模评分数据上对用户进行商品在线实时推荐。