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，服務商也很難了解用戶的隱性需求，所以能預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對服務商具有重要的意義。個性化推薦服務就應此需求而逐漸成為熱點，越來越多的電商站點開始部署推薦服務來吸引用戶，為用戶推薦信息，從而提升站點的效益。同時在學術(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)同過濾是實現(xiàn)個性化推薦服務的熱門技術(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)容的推薦或其他學科的理論如社會網(wǎng)絡分析、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。
　　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，并設計了該算法的并行化實現(xiàn)方案，以解決可擴展性問題。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)容大小來進行評分的策略。并通過利用樸素貝葉斯分類器對項目進行分類，再根據(jù)用戶評分數(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)