面向海量用戶行為數(shù)據(jù)的并行個性化推薦算法的研究與實(shí)現(xiàn).pdf

1、隨著Web2.0的不斷發(fā)展和盛行，互聯(lián)網(wǎng)上的信息量上升到了另一個數(shù)量級，用戶很容易在海量的信息中迷失方向，服務(wù)商也很難了解用戶的隱性需求，所以能預(yù)知用戶的興趣愛好并為用戶主動推送符合用戶興趣的信息的服務(wù)對服務(wù)商具有重要的意義。個性化推薦服務(wù)就應(yīng)此需求而逐漸成為熱點(diǎn)，越來越多的電商站點(diǎn)開始部署推薦服務(wù)來吸引用戶，為用戶推薦信息，從而提升站點(diǎn)的效益。同時在學(xué)術(shù)研究上，個性化推薦也成為了熱門的研究領(lǐng)域。本文所研究的用戶行為是以資訊領(lǐng)域中Web

2、瀏覽行為為主，有別于可顯性評分的行為，Web用戶行為屬隱性行為，Web用戶對信息的喜愛是隱性的。
　　協(xié)同過濾是實(shí)現(xiàn)個性化推薦服務(wù)的熱門技術(shù)，它注重用戶之間的協(xié)同關(guān)系，但也存在新項目冷啟動、可擴(kuò)展性等問題。所以，目前將其他推薦技術(shù)如基于內(nèi)容的推薦或其他學(xué)科的理論如社會網(wǎng)絡(luò)分析、聚類等結(jié)合到協(xié)同過濾中來解決這些問題已成為研究的熱點(diǎn)。
　　本文基于資訊領(lǐng)域的行為數(shù)據(jù)，提出了一種將用戶興趣模型結(jié)合到Slope One算法中的混合推

3、薦算法，并設(shè)計了該算法的并行化實(shí)現(xiàn)方案，以解決可擴(kuò)展性問題。同時提出了一種基于SimHash內(nèi)容相似性的推薦方法來解決新項目冷啟動問題。
　　在處理用戶隱性行為的方法上，本文提出了一種根據(jù)用戶在頁面上的停留時間和頁面內(nèi)容大小來進(jìn)行評分的策略。并通過利用樸素貝葉斯分類器對項目進(jìn)行分類，再根據(jù)用戶評分?jǐn)?shù)據(jù)和時間權(quán)重來建立用戶近期對項目類別的興趣模型。在推薦過程中，本文將用戶對項目類別的喜好偏差引入到Slope One協(xié)同過濾算法中來優(yōu)