目次
目次
引言 (1)
第1章绪论 (2)
1.1 课题研究背景及意义 (2)
1.2 国内外研究现状 (3)
1.3 论文主要研究内容 (7)
1.4 论文的组织结构 (7)
第2章推荐系统基本原理及算法 (9)
2.1 推荐系统介绍 (9)
2.2 常用的推荐算法 (10)
2.3 Mahout中的推荐算法 (14)
2.4 本章小结 (15)
第3章基于Hadoop的推荐系统架构设计 (16)
3.1 Hadoop平台及其核心组件 (16)
3.1.1 HDFS分布式文件系统 (17)
3.1.2 MapReduce编程模型 (18)
3.2 推荐系统架构设计 (20)
3.3 数据收集和存储模块 (22)
3.4 数据分析及建模模块 (23)
3.5 推荐模块 (25)
3.6 本章小结 (27)
第4章基于Hadoop的推荐算法研究及改进 (28)
4.1 协同过滤推荐算法 (28)
4.1.1 基于用户的协同过滤算法 (28)
4.1.2 基于项目的协同过滤算法 (30)
4.2 用Mahout实现协同过滤推荐算法 (32)
4.3 Slope One算法 (33)
4.3.1 传统Slope One算法 (33)
4.3.2 用户评分数量加权改进Slope One算法 (34)
华北理工大学硕士学位论文
4.4 Slope One算法的MapReduce实现 (35)
4.5 Slope One算法改进 (41)
4.6 改进Slope One算法的MapReduce实现 (42)
4.7 本章小结 (46)
第5章KS-Slope One算法实验与结果分析 (47)
5.1 实验方法 (47)
5.2 算法性能评测指标 (48)
5.3 实验环境 (49)
5.3.1 实验软硬件环境 (49)
5.3.2 实验数据集 (50)
5.4 实验结果及分析 (50)
5.5 本章小结 (53)
第6章MovieLens数据集上的推荐实现 (54)
6.1 数据准备 (54)
6.2 数据处理 (56)
6.3 推荐结果展示 (58)
6.4 本章小结 (59)
结论 (60)
参考文献 (61)
致谢 (64)
导师简介 (65)
作者简介 (66)
学位论文数据集 (67)
引言
引言
“信息爆炸”时代已经来临，广大互联网用户面临了海量信息数据难以选择的问题[1]。信息分类网站和搜索引擎为人们带来福音，使用户可以快速地找到他们需要的物品或信息资源。但是，当用户对自己的需求不是很明确，或者找不到恰当的词汇来描述自己需求的时候，信息分类网站和搜索引擎的效率就会大打折扣。为了弥补搜索引擎的缺陷，使用户得到更好的个性化服务，推荐系统应运而生。
推荐系统积极收集并分析用户的历史行为数据，在数据中提取有效信息，推测出用户的独特需求，并以此为用户建模。然后采用合理的推荐方法，结合用户需求实现对用户的个性化推荐。所以，可以说推荐系统是一种智能的个性化信息服务系统。
在工业上，个性化推荐系统以其方便、快捷、个性化的特点已经在电子商务、视频、新闻、在线学习等多个领域中得到了广泛的应用和快速的发展。个性化推荐系统研究已成为信息个性化技术领域的热门研究课题。推荐系统尤其为电子商务的发展做出了突出的贡献。例如，有人刚刚在淘宝网上搜索了某些物品，然后他在去其他网站上浏览网页时就经常会看到与他搜索相关的淘宝网的物品推荐列表，这就是一种典型的个性化推荐行为。这也是一种定向的广告投放策略，它不仅满足了用户的需求，同时还会给商家带来可观的收入。根据调查，推荐广告为淘宝网带来了巨大的经济利益。
推荐系统的研究工作已经进行了二十多年，它的理论体系已经十分完善。随着互联网站规模不断扩大，用户及物品的信息数据量在程指数增长。传统推荐系统的发展面临了很多问题。特别是可扩展性问题，已经成为制约其发展的最大阻力，研究人员对可扩展性问题进行了深入的分析研究，找到了许多切实有效的方法。
云计算所具有的海量数据存储和高性能计算能力正是推荐系统在用户和物品数量急剧增加的情况下所需要的。将云计算技术与推荐系统相结合，在数据存储、数据挖掘和数据计算方面，利用云计算技术对推荐系统运行过程中所要面临的海量数据进行处理，在一定程度上能够提升推荐系统可扩展性，具有实际意义。