论文部分内容阅读
随着互联网的高速发展,期间衍生出了一些列改变人们生活的技术产物。其中推荐系统最具代表性,它的出现使得人们不再像过去那样通过搜索引擎从海量的数据中查找自己所需要的信息,而是根据推荐系统主动供的物品信息进行选择。这一局面的改变,得益于人们不断得在推荐算法上进行研究而取得的成果。在推荐领域内,协同过滤推荐算法以出色的推荐效率使得其成为应用最为广泛的算法。协同过滤推荐算法在应用于实际场景的过程中,由于依赖用户行为数据导致无法为新用户进行推荐以及未考虑上下文因素而使得推荐结果缺乏个性化等问题逐渐暴露出来。本文以协同过滤推荐算法作为基础,针对上述问题出基于用户兴趣变化和用户特征的混合推荐算法(Interest Change And User Attribute Based Hybrid Recommendation Algorithm),简称ICUAH算法。主要工作如下:1、对推荐系统中常用的相似性度量方法、典型的推荐算法进行了深入地研究。在此基础之上,对传统的协同过滤推荐算法进行实现以及通过现实的使用场景对两种算法进行对比,为本文的算法改进奠定基础。2、对传统的协同过滤推荐算法中出现的物品冷启动问题、数据稀疏性问题分别结合经典的TF-IDF算法以及交替最小二乘法算法出简要的解决方案。3、将传统的协同过滤推荐算法结合时间上下文因素以及用户特征属性,一方面对用户的偏好、物品与物品的相似性度量方案进行改进,另一方面出对热门物品惩罚权重的方案。从而出基于用户兴趣变化和用户特征的混合推荐算法(ICUAH)。4、使用Java语言对ICUAH算法实现,并利用现有的Movie Lens数据集进行实验评估。由最终的实验结果可得,ICUAH算法高了推荐结果的准确率和覆盖率。5、将ICUAH算法通过MapReduce分布式计算框架并行化,并以其为核心通过使用Spring Boot框架以及Hadoop分布式框架设计和实现一个小型的图书推荐系统。