隨著互聯(lián)網(wǎng)技術(shù)快速發(fā)展,信息規(guī)模呈現(xiàn)指數(shù)級別增長,直接引發(fā)了大數(shù)據(jù)信息革命,進入大數(shù)據(jù)時代。如何在如此海量的大數(shù)據(jù)環(huán)境下進行數(shù)據(jù)提取與挖掘,獲取自己感興趣的信息是大數(shù)據(jù)時代迫切需要解決的難題。本文將從兩方面入手進行課題研究,既注重理論研究,也關(guān)注實際應用場景。推薦算法是解決大數(shù)據(jù)環(huán)境中物品推薦的重要方式。傳統(tǒng)推薦算法都是基于用戶-物品的特性進行協(xié)同過濾計算,缺乏環(huán)境因素、時間因素等其他因素的考慮,導致其推薦準確度比較低。本文提出一種新型的改進個性化社交推薦算法,即基于時間特性的社交接觸度的協(xié)同過濾推薦算法（Collaborative Filtering with Time Social Exposure,簡稱TSERec）,其將社交接觸度以及社交時效性融入到協(xié)同過濾算法中。區(qū)別于傳統(tǒng)的協(xié)同過濾算法將社交信息融入到評價模型的用戶-微博矩陣中,本文算法將社交信息和社交時效性用于進行社交接觸度的計算。在改進個性化社交推薦算法的基礎上,我們針對微博大數(shù)據(jù)應用場景進行工程實踐,主要采用Spark Streaming技術(shù)以及Spark框架作為核心技術(shù)進行算法實現(xiàn),從而實現(xiàn)基于流式計算的在線推薦工作... 

【文章來源】：華僑大學福建省

【文章頁數(shù)】：48 頁

【學位級別】：碩士

【部分圖文】：

Spark框架的運行模式

算法的可視化模型

不同好友數(shù)量的算法性能對比

【參考文獻】：
期刊論文
[1]基于用戶在線行為的個性化推薦研究[J]. 陳曉璇,劉洪偉,曹寧.  合作經(jīng)濟與科技. 2018(07)
[2]基于位置社交網(wǎng)絡的個性化興趣點推薦[J]. 韓笑峰,牛保寧,楊茸.  計算機應用研究. 2019(05)
[3]基于協(xié)同過濾算法的推薦系統(tǒng)研究[J]. 李楚桐,莫贊.  信息通信. 2018(02)
[4]基于差分隱私的社交推薦方法[J]. 彭慧麗,張嘯劍,金凱忠.  計算機科學. 2017(S1)
[5]個性化推薦系統(tǒng)綜述[J]. 劉輝,郭夢夢,潘偉強.  常州大學學報(自然科學版). 2017(03)
[6]基于Spark Streaming的實時數(shù)據(jù)分析系統(tǒng)及其應用[J]. 韓德志,陳旭光,雷雨馨,戴永濤,張肖.  計算機應用. 2017(05)
[7]大數(shù)據(jù)研究綜述[J]. 卿勇.  軟件導刊. 2016(12)
[8]大數(shù)據(jù)技術(shù)進展與發(fā)展趨勢[J]. 程學旗,靳小龍,楊婧,徐君.  科技導報. 2016(14)
[9]結(jié)合全局與雙重局部信息的社交推薦[J]. 錢付蘭,李啟龍.  計算機科學. 2016(02)
[10]BigDataBench:開源的大數(shù)據(jù)系統(tǒng)評測基準[J]. 詹劍鋒,高婉鈴,王磊,李經(jīng)偉,魏凱,羅純杰,韓銳,田昕暉,姜春宇.  計算機學報. 2016(01)

碩士論文
[1]基于信任關(guān)系的社交推薦算法研究[D]. 孟芳.山東科技大學 2017



本文編號：3021443