本文關鍵詞：面向eCRM的推薦系統(tǒng)的設計與實現

  更多相關文章： eCRM Hadoop OpenStack 推薦系統(tǒng) 網絡推薦算法

【摘要】：信息技術的發(fā)展、互聯網規(guī)模的壯大和網絡應用的普及,使得用戶信息接收量呈指數增長,信息過載的時代已經來臨。在這樣一個時代里,我們雖每天接收著來自外界海量的信息,卻不能實現目標信息的有效關聯和篩選。無論是接收信息的用戶還是信息的提供者,都遭遇到前所未有的挑戰(zhàn)。用戶怎樣從海量的信息里尋找到自己所需要的目標信息,提供者如何讓自己的信息被推送至需要它們的用戶那里,成為雙方需要解決的共同難題。傳統(tǒng)搜索引擎在這個時候往往顯得捉襟見肘,于是出現了推薦系統(tǒng)。推薦系統(tǒng)將用戶與信息關聯起來,通過分析用戶的個人喜好,幫助用戶篩選、過濾信息,挑選那些可能會有用的信息呈現給用戶。e CRM是基于CRM(C ustomer Relationship Management)并且融合了e-Commerce(電子商務)的大數據決策支持平臺。e CRM包含了大量的產品和用戶的關系數據,將e CRM上的企業(yè)產品信息和用戶信息進行關聯,由此設計一個基于e CRM大數據決策平臺的推薦系統(tǒng)已是必然選擇。通過推薦系統(tǒng),e CRM平臺能夠根據用戶的興趣、愛好或者和這個用戶相似的用戶的興趣愛好以及購買行為,給出合理、恰當的推薦信息,避免了用戶在海量信息中選擇產品時的痛苦。通過推薦系統(tǒng)提供的推薦服務能夠極大提高用戶的滿意度,增強用戶忠誠度與企業(yè)知名度,使e CRM能充分體現其用戶關系管理的理念。傳統(tǒng)的推薦系統(tǒng)往往運行于單機之上,極大制約了推薦系統(tǒng)的性能,產生推薦結果的時間不能滿足用戶的需要,日益增加的用戶日志數據和計算量也受限于單機系統(tǒng)資源的約束。本文針對推薦系統(tǒng)的可擴展性問題,提出了將推薦系統(tǒng)充分并行化的思想。在深入地研究Apache Hadoop生態(tài)系統(tǒng)中的Map Reduce和HDFS基礎上,將Hadoop部署到基于Open Stack的云平臺上,并對新提出的網絡推薦算法進行了Map Reduce化,并在此基礎上設計和實現了面向e CRM的推薦系統(tǒng)的原型。本文所做的主要工作如下:1.通過對Hadoop的運行機制、Map Reduce并行化編程原理、常見的推薦算法和推薦系統(tǒng)、以及物質擴散算法和熱傳導推薦算法的詳細研究,設計了網絡推薦算法的詳細Map Reduce化流程。2.推薦系統(tǒng)遵循高內聚、低耦合的原則,采用模塊化架構,使推薦系統(tǒng)的模塊相對獨立,并將推薦系統(tǒng)部署到以Open Stack作為基礎設施層、Hadoop作為平臺服務層的基礎平臺上,從而使推薦系統(tǒng)擁有良好的可擴展性。3.在e CRM大數據決策平臺的基礎上,利用e CRM產生的數據,采用經過Map Reduce化的網絡推薦算法,設計出了準確度高又能滿足新穎化的面向e CRM的推薦系統(tǒng)。
【關鍵詞】：eCRM Hadoop OpenStack 推薦系統(tǒng) 網絡推薦算法
【學位授予單位】：曲阜師范大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TP391.3
【目錄】：

• 摘要4-6
• Abstract6-10
• 第一章 緒論10-16
• 1.1 推薦系統(tǒng)的研究背景和意義10-11
• 1.2 研究現狀11-13
• 1.3 推薦系統(tǒng)目前存在的問題13
• 1.4 課題研究的主要內容13-15
• 1.5 論文組織結構15-16
• 第二章 推薦系統(tǒng)相關技術研究16-26
• 2.1 推薦系統(tǒng)16-17
• 2.2 推薦算法的分類17-21
• 2.2.1 基于內容的推薦算法18
• 2.2.2 基于協(xié)同過濾的推薦算法18-20
• 2.2.3 混合式推薦算法20-21
• 2.3 推薦算法的評價指標21
• 2.3.1 命中率21
• 2.3.2 絕對平均誤差21
• 2.4 Hadoop生態(tài)系統(tǒng)21-25
• 2.4.1 分布式文件系統(tǒng)HDFS22-23
• 2.4.2 MapReduce編程模型23-25
• 2.5 本章小結25-26
• 第三章 基于MapReduce模型的網絡推薦算法26-41
• 3.1 網絡推薦算法26-27
• 3.2 物質擴散算法及其MapReduce化27-36
• 3.2.1 物質擴散算法27-31
• 3.2.2 物質擴散算法的MapReduce化31-36
• 3.3 熱傳導推薦算法及其MapReduce化36-40
• 3.3.1 熱傳導推薦算法36-38
• 3.3.2 熱傳導算法的MapReduce化38-40
• 3.4 算法復雜度分析40
• 3.5 本章小結40-41
• 第四章 面向eCRM的推薦系統(tǒng)的設計與實現41-54
• 4.1 推薦系統(tǒng)需求分析和設計原則41
• 4.2 推薦系統(tǒng)架構設計41-44
• 4.3 實驗環(huán)境44-48
• 4.3.1 基于OpenStack的云計算平臺44-46
• 4.3.2 Hadoop分布式計算平臺46-48
• 4.4 推薦服務的實現48-50
• 4.5 推薦服務的部署50-51
• 4.5.1 推薦服務的導出50
• 4.5.2 推薦服務的運行50-51
• 4.6 推薦系統(tǒng)測試51-53
• 4.6.1 登陸51-52
• 4.6.2 注冊52
• 4.6.3 會員中心與推薦列表52-53
• 4.7 本章小結53-54
• 第五章 總結與展望54-56
• 5.1 論文總結54
• 5.2 工作展望54-56
• 參考文獻56-58
• 致謝58

【參考文獻】

中國期刊全文數據庫 前4條

1 江旭宸;;搜索引擎發(fā)展現狀及展望[J];信息通信;2013年07期

2 朱郁筱;呂琳媛;;推薦系統(tǒng)評價指標綜述[J];電子科技大學學報;2012年02期

3 劉建國;周濤;汪秉宏;;個性化推薦系統(tǒng)的研究進展[J];自然科學進展;2009年01期

4 藺豐奇;劉益;;信息過載問題研究述評[J];情報理論與實踐;2007年05期

，

本文編號：937702