基于协同过滤推荐系统设计与实现

近几年随着创业和投融资领域的持续活跃,国内商业资讯类平台呈现蓬勃发展的态势。商业资讯类网站主要为创业者、投融资者及行业相关者提供行业资讯服务,这些用户具有的特点是:群体高度集中、服务内容聚焦、用户访问目的明确、访问频次高、阅读内容要求高。目前,主流的商业资讯类平台的服务还是采用传统的频道分类方式,难以满足用户的个性化阅读需求,采用协同过滤推荐系统为用户提供个性化阅读服务,需要解决推荐系统冷启动问题,兴趣变化等问题。

商业资讯平台的用户追求个性化的、高效的阅读内容,如果内容不能满足其阅读需求很容易造成客户的流失,我们通过建立用户模型和资讯数据模型,并结合推荐算法中运行效率高、推荐精度高、应用领域广的协同过滤推荐算法来为用户提供个性化的阅读内容,满足用户对信息快速、精准获取的需求。推荐系统还结合Hadoop分布式计算来满足系统长期运行中将要面对的海量数据的计算问题;协同过滤推荐系统根据用户或资讯的历史评分数据形成推荐,新的用户和资讯进入系统会遇到冷启动的问题。……

论文最后通过对测试过程的策略、方法、用例等进行分析论述,证明了商业资讯推荐系统满足既定的设计需求。通过将协同过滤、基于聚类的算法、分布式计算和Lucene全文检索技术等应用到商业资讯推荐系统中,论证了推荐技术对商业资讯平台的健康发展具有重要的现实意义和应用价值。

  • 《高级职称论文》
  • 学位论文
  • 2017年
  • 11月
论文详情