基于hadoop的協(xié)同過(guò)濾推薦算法改進(jìn)及其實(shí)現(xiàn).pdf

1、協(xié)同過(guò)濾(Collaborate Filtering，CF)是目前應(yīng)用最廣泛最成功的個(gè)性化推薦技術(shù)。但協(xié)同過(guò)濾仍然面臨一些問(wèn)題，如數(shù)據(jù)稀疏性問(wèn)題、大數(shù)據(jù)環(huán)境下的可擴(kuò)展性問(wèn)題、不能及時(shí)發(fā)現(xiàn)用戶興趣突變問(wèn)題等。針對(duì)上述問(wèn)題，本文提出一種以協(xié)同過(guò)濾為基礎(chǔ)的混合推薦算法。
　　論文的主要工作如下:
　　1)以項(xiàng)目聚類作為算法改進(jìn)出發(fā)點(diǎn)。傳統(tǒng)協(xié)同過(guò)濾算法運(yùn)行的數(shù)據(jù)基礎(chǔ)可以描述為一個(gè)用戶-項(xiàng)目評(píng)分矩陣(user-item ratings

2、 matrix)，通過(guò)對(duì)項(xiàng)目進(jìn)行聚類處理可以將此矩陣轉(zhuǎn)變?yōu)橛脩?項(xiàng)目類評(píng)分矩陣。該過(guò)程可以降低矩陣數(shù)據(jù)稀疏性以提高算法推薦精度、縮減矩陣規(guī)模以提高算法可擴(kuò)展性。
　　2)引入項(xiàng)目-類矩陣(item-class matrix)概念。項(xiàng)目-類矩陣表示項(xiàng)目在其所屬類中的典型性。在此矩陣的計(jì)算中加入項(xiàng)目描述信息、項(xiàng)目評(píng)分以及項(xiàng)目流行度等因素，可以較準(zhǔn)確的計(jì)算項(xiàng)目間的差異性，以此消除此種差異對(duì)推薦計(jì)算的影響，提高推薦精度。
　　3)為

3、了降低用戶活躍度對(duì)算法推薦結(jié)果的影響，設(shè)計(jì)用戶活躍度因子，根據(jù)不同用戶的活躍度因子對(duì)其行為進(jìn)行加權(quán)。
　　4)引入基于用戶興趣模型的在線推薦模塊?；谂d趣模型的在線推薦模塊通過(guò)對(duì)用戶歷史行為按時(shí)間加權(quán)處理，可以彌補(bǔ)協(xié)同推薦算法難以及時(shí)發(fā)現(xiàn)用戶興趣突變的缺點(diǎn)。另外，基于用戶-項(xiàng)目類矩陣的協(xié)同過(guò)濾算法只能向用戶推薦其潛在興趣點(diǎn)內(nèi)的新項(xiàng)目，卻不能推薦該用戶已有興趣點(diǎn)內(nèi)的未知項(xiàng)目，從而降低了算法推薦新項(xiàng)目的能力。興趣模型推薦模塊的加入也是