随着电子商务的不断发展,在客户与电商的交互过程中,向客户做出合理有用的推荐越来越重要。推荐技术是个跨学科的研究领域,它涉及统计学、机器学习、数据挖掘、人工智能、模式识别等。通过分析大量的数据,挖掘出有价值的信息并向用户做出合理的推荐。推荐技术已经成为引领时代潮流的一个关键技术。本文首先对传统推荐方法中冷启动、数据稀疏性、扩展性差三方面进行系统研究。本文在前人研究的基础上,改进了基于项目的协同过滤算法和提出基于用户特征的推荐算法。本文在Hadoop分布式平台上,使用Mahout、Map Reduce、HBase、Hive等技术实现了这些算法。使用交叉策略扩展多维数据,并整合网络中的用户日志信息,挖掘出用户爱好特征,提出基于用户特征的推荐算法缓解冷启动问题。将传统的协同过滤算法与商品粗细粒度化相结合,按照商品类别计算相似度、最后取评分最高的Top(k)个商品推荐给用户,从而缓解数据稀疏问题。使用分布式和并行化的策略来解决扩展性差的问题。最后通过实验并验证基于用户特征的推荐算法。Mahout技术在推荐领域的应用刚刚开始,应用Hadoop和Mahout技术,基于分类策略设计并现实一个邮件推送系统。在系统中,对象排序模型学习及元学习中使用分组AUC策略,当进行推荐时,以分组AUC作为AdaptiveLogistic Regression的目标来优化元参数学习。为了使Mahout分类器的分类速度更快,本文提出了如下三点改进方案:(1)将部分编码的特征变量放入缓存。(2)在编码器内部将散列位置值放入缓存。(3)将模型的计算过程划片来保证每个片能够分开被缓存。