在新聞傳媒領(lǐng)域,存在著大量的用戶對(duì)其看過(guò)的新聞的閱覽及興趣度等信息,因此如何在海量不斷更新的新聞中挖掘出用戶的閱覽需求,量身定制用戶的個(gè)性化新聞推薦,對(duì)于提升用戶的體驗(yàn)變的尤為重要。此外,隨著用戶量、新聞量及其數(shù)據(jù)待處理量的不斷增長(zhǎng),解決可擴(kuò)展性的問題成為推薦系統(tǒng)發(fā)展中最主要問題,而將Spark分布式大數(shù)據(jù)計(jì)算平臺(tái)與推薦系統(tǒng)結(jié)合可以有效地解決這個(gè)問題。論文首先總結(jié)分析了應(yīng)用較為廣泛的推薦算法、粒子群算法、基于密度的聚類算法-DBSCAN聚類等。同時(shí),文中詳細(xì)說(shuō)明了在分布式計(jì)算平臺(tái)Spark中,最為主要的三個(gè)組成部分:Spark RDD(彈性分布式數(shù)據(jù)集)、Spark MLlib(機(jī)器學(xué)習(xí)功能程序庫(kù))以及Spark運(yùn)行框架的基本工作原理。并對(duì)基于LFM隱語(yǔ)義模型的協(xié)同過(guò)濾推薦算法及其并行化實(shí)現(xiàn)進(jìn)行了針對(duì)性研究。其次提出了基于粒子群算法的DBSCAN聚類算法,簡(jiǎn)稱為PSO-DBSCAN算法,對(duì)LFM算法進(jìn)行了深入分析并用時(shí)間函數(shù)與用戶相似度計(jì)算函數(shù)對(duì)其進(jìn)行改進(jìn),最終提出了結(jié)合PSO-DBSCAN算法與改進(jìn)LFM算法的融合推薦算法:用時(shí)間函數(shù)對(duì)用戶-物品興趣度矩陣進(jìn)行加權(quán)處理,再用LFM模型對(duì)...

【文章頁(yè)數(shù)】：66 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖1網(wǎng)易云音樂個(gè)性推薦界面

信息化社會(huì)不斷發(fā)展的推動(dòng)下，推薦系統(tǒng)已經(jīng)得到了廣泛應(yīng)用，這樣的例子有很多被我們所熟知。比如國(guó)外有一個(gè)音樂推薦系Ringo，這個(gè)系統(tǒng)會(huì)分析所有使用者對(duì)歌曲的評(píng)分情況，從而計(jì)算出這些用戶之間的相似度，然后再根據(jù)相似度的結(jié)果，把用戶劃分到興趣類中，同一個(gè)興趣類中的用戶之間就可以互相推....

圖2推薦系統(tǒng)模塊間關(guān)系

推薦系統(tǒng)的基礎(chǔ)理論展和網(wǎng)絡(luò)的迅速普及，人們，迅速跨入一個(gè)具有海量信問題，先后出現(xiàn)了分類目錄統(tǒng)與其他不同的區(qū)別主要是個(gè)性化推薦服務(wù)，并且所推變化，高性能的推薦系統(tǒng)能要的信息，從而大幅度提示通常意義上來(lái)講，至少應(yīng)該展示[23]，這幾個(gè)模塊之間的

圖3基于用戶的協(xié)同過(guò)濾推薦算法示例

過(guò)濾的推薦算法法的原理是分析用戶與物品之間的關(guān)系數(shù)據(jù)，利用化推薦。常用的協(xié)同過(guò)濾算法主要有兩類：基于領(lǐng)協(xié)同過(guò)濾算法。下面針對(duì)這兩類協(xié)同過(guò)濾算法進(jìn)行域的協(xié)同過(guò)濾算法主要思想是利用用戶對(duì)物品的打分矩陣也就是用戶的信息進(jìn)行分析，在這個(gè)分析過(guò)程中，計(jì)算每個(gè)項(xiàng)后再利用相似度排序得到最終推薦....

圖4基于物品同過(guò)濾推薦算法的示例

華北理工大學(xué)碩士學(xué)位論文通過(guò)觀察這三個(gè)用戶的新聞喜好記錄可以看出，用戶甲和用戶丙有著相似注愛好點(diǎn)，用戶甲還閱讀了新聞A，可以推測(cè)出，用戶丙在閱讀過(guò)程中，能會(huì)閱讀新聞A，然后，將新聞A推薦給用戶丙。基于物品的協(xié)同過(guò)濾推薦原理上與基于用戶的協(xié)同過(guò)濾推薦類似，它主要析用戶的歷史....

本文編號(hào)：4038805