云计算环境中资源优化推荐技术研究.docVIP

云计算环境中资源优化推荐技术研究 　　摘 要： 随着系统规模的不断扩大和数据获取量的指数级增长，在传统推荐系统的冷启动、精确性、扩展性等问题严峻化的同时，实时性问题亦成为面向海量数据推荐系统新的瓶颈点。基于传统推荐领域的主流算法，提出了一个扩展向量推荐模型。根据扩展模型对推荐算法中对象的向量进行合理扩展，通过相似度计算等过程动态选取推荐集，完成对目标对象更精确的推荐。实验结果表明，与传统推荐算法相比，基于新模型的推荐算法可以显著地提升推荐效果，成功克服冷启动问题。 　　关键词： 扩展向量推荐模型； 协同过滤； Slope One； ALS?WR； 分布式计算 　　中图分类号： TN911?34； TM417 文献标识码： A 文章编号： 1004?373X（2016）21?0024?05 　　Research on resource optimization recommendation technology 　　in cloud computing environment 　　L? Xiaoqing 　　（Huihua College of Hebei Normal University， Shijiazhuang 050000， China） 　　Abstract： With the continuously extending of the system scale and exponential order increase of data acquisition quantity， the problems of cold start?up， accuracy and scalability of the traditional recommendation system are severe， and the real?time problem becomes a new bottleneck of the massive data recommendation system. On the basis of the mainstream algorithm in the traditional recommendation field， an expand?vector recommendation model is put forward. The object vector in recommendation algorithm is expanded reasonably according to the extended model. The recommendation set is selected by means of the similarity calculation and other dynamic processes to recommend the accurate target object. The experimental results show that， in comparison with the traditional collaborative recommendation algorithm， the recommendation algorithm based on this new model can promote the recommendation effect significantly， and overcome the cold start?up successfully. 　　Keywords： expand?vector recommendation model； collaborative filtering； Slope One； ALS?WR； distributed computing 　　0 引 言 　　由于推荐系统应用的普及，提高系统的用户体验一直是各个系统应用不断的追求。由于推荐系统中的推荐算法在运行过程中涉及大量的数据计算过程，而海量数据环境下，运算所需的时间越来越大，实时完成系统应用是面向海量数据推荐系统的瓶颈点。面对海量数据的存储，常用数据库早已超出负荷，系统的可扩展性问题也日益凸显。针对其瓶颈点，很多研究方案被提出，但将精度、实时性和可扩展性同时完美的融合在一个系统中是该领域一直以来面临的挑战。 　　针对传统推荐算法面向海量数据时的可扩展性和数据稀疏性问题，基于分布式环境下的数据挖掘和并行处理技术，本文除对推荐算法本身进行优化改进外，提出了一种基于Hadoop分布式平台完成推荐算法分布式实现的改进方案，即使用对海量稀疏数据具有良好支持的HDFS来存储用户交互矩阵并将其作为数据源，同时基于Map