基于云计算的电子商务个性化推荐研究

发布时间：2017-04-23 06:00

  本文关键词：基于云计算的电子商务个性化推荐研究，由笔耕文化传播整理发布。

【摘要】：信息时代的不断发展，人们充分享受着信息带来的便捷。随着电子商务网站迅速发展，网上购物成为人们生活的一部分。然而随着商品数量和种类的日益增多，电子商务信息量的不断增加使得消费者需要花费大量的时间才能找到满意的商品，对商家而言更希望对不同的用户提供不同的服务以提升用户的满意度，此时电子商务个性化推荐应运而生。基于协同过滤的推荐是目前应用非常广泛的一种推荐技术，它通过分析用户的历史消费记录，分析用户的行为，了解和掌握用户的偏好，针对性的向用户推荐商品。协同过滤推荐算法因为其可靠的推荐得到了许多专家学者的关注与研究，推荐的精度逐渐提高，然而传统的推荐算法在应对海量消费信息时的不足日渐凸显，其推荐速度影响了用户的购物体验。 云计算的提出改变了人们对计算机的认识，它拥有强大的计算能力和存储能力，，通常只需要购买云计算服务，就可以使用任何终端访问云端服务，克服了传统单机或服务器的限制，方便了用户对云计算资源的取得和管理。因此本文通过利用云计算的优势来改善传统的协同过滤推荐算法在速度和可扩展方面的问题。本文实验采用了Apache旗下的开源项目Hadoop作为算法的并行化平台。为此本文先对Hadoop的核心技术HDFS和MapReduce进行了深入的研究，再结合基于项目的协同过滤推荐算法和基于矩阵分解ALS的协同过滤推荐算法，对算法进行了并行化改进。最后的实验结果也证明了算法并行化后具有很强的可扩展性和高效性。
【关键词】：云计算 MapReduce 协同过滤 电子商务
【学位授予单位】：华北电力大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TP393.09;TP391.3
【目录】：

• 摘要5-6
• Abstract6-9
• 第1章 绪论9-14
• 1.1 选题背景及其意义9-11
• 1.2 国内外研究现状11-12
• 1.2.1 电子商务个性化推荐的研究现状11-12
• 1.2.2 云计算应用研究现状12
• 1.3 本文的研究内容12-13
• 1.4 论文的组织结构13-14
• 第2章 云计算相关技术介绍14-21
• 2.1 云计算介绍14-16
• 2.1.1 云计算概念14
• 2.1.2 云计算服务形式14-15
• 2.1.3 云计算技术15-16
• 2.2 典型云计算平台介绍16-17
• 2.2.1 Google 云计算平台 Google App Engine16-17
• 2.2.2 Microsoft 云计算平台 Windows Azure Platform17
• 2.2.3 Amazon 云计算平台 Amazon EC217
• 2.3 开源云计算平台 Hadoop 介绍17-20
• 2.3.1 HDFS18-20
• 2.3.2 MapReduce20
• 2.4 本章小结20-21
• 第3章 电子商务个性化推荐研究21-26
• 3.1 电子商务个性化推荐概述21
• 3.2 电子商务个性化推荐框架和流程21-22
• 3.3 电子商务个性化推荐算法22-25
• 3.3.1 基于内容的推荐22-23
• 3.3.2 基于关联规则的推荐23
• 3.3.3 基于知识的推荐23-24
• 3.3.4 基于协同过滤的推荐24-25
• 3.4 本章小结25-26
• 第4章 基于云计算的电子商务个性化推荐算法研究26-36
• 4.1 基本算法介绍26-29
• 4.1.1 基于项目的协同过滤推荐算法26-28
• 4.1.2 基于矩阵分解 ALS 的协同过滤推荐算法研究28-29
• 4.2 基于 MapReduce 的算法并行化原则29-30
• 4.3 基于云计算的电子商务个性化推荐算法30-35
• 4.3.1 云平台下基于项目的协同过滤推荐算法的并行化30-33
• 4.3.2 云平台下基于矩阵分解 ALS 的协同过滤推荐算法并行化33-35
• 4.4 本章小结35-36
• 第5章 实验与结果分析36-41
• 5.1 实验环境配置36
• 5.2 实验数据集36
• 5.3 实验结果与分析36-40
• 5.4 本章小结40-41
• 第6章 总结与展望41-43
• 6.1 本文总结41
• 6.2 下一步工作研究41-43
• 参考文献43-46
• 在硕士研究生学习期间发表的学术论文46-47
• 致谢47

【相似文献】

中国期刊全文数据库 前10条

1 张付志;张启凤;;融合多系统用户信息的协同过滤算法[J];计算机工程;2009年21期

2 周丽娟;徐明升;张研研;张璋;;基于协同过滤的课程推荐模型[J];计算机应用研究;2010年04期

3 刘淇;陈恩红;;结合二部图投影与排序的协同过滤[J];小型微型计算机系统;2010年05期

4 董全德;;基于双信息源的协同过滤算法研究[J];合肥工业大学学报(自然科学版);2010年07期

5 李聪;;电子商务协同过滤可扩展性研究综述[J];现代图书情报技术;2010年11期

6 傅鹤岗;李冉;;基于用户实时反馈的协同过滤算法[J];计算机应用;2011年07期

7 辛勤芳;;基于项目聚类的协同过滤算法研究[J];赤峰学院学报(自然科学版);2011年09期

8 杨君;汪会玲;艾丹祥;;一种基于情景的多维协同过滤新方法研究[J];图书情报工作;2011年21期

9 王宗武;;基于信任用户联合聚类的协同过滤算法[J];计算机与现代化;2013年09期

10 杜永萍;黄亮;何明;;融合信任计算的协同过滤推荐方法[J];模式识别与人工智能;2014年05期

中国重要会议论文全文数据库 前10条

1 沈杰峰;杜亚军;唐俊;;一种基于项目分类的协同过滤算法[A];第二十二届中国数据库学术会议论文集（技术报告篇）[C];2005年

2 周军锋;汤显;郭景峰;;一种优化的协同过滤推荐算法[A];第二十一届中国数据库学术会议论文集（研究报告篇）[C];2004年

3 董全德;;基于双信息源的协同过滤算法研究[A];全国第20届计算机技术与应用学术会议（CACIS·2009）暨全国第1届安全关键技术与应用学术会议论文集（上册）[C];2009年

4 李建国;姚良超;汤庸;郭欢;;基于认知度的协同过滤推荐算法[A];第26届中国数据库学术会议论文集（B辑）[C];2009年

5 张光卫;康建初;李鹤松;刘常昱;李德毅;;面向场景的协同过滤推荐算法[A];中国系统仿真学会第五次全国会员代表大会暨2006年全国学术年会论文集[C];2006年

6 王明文;陶红亮;熊小勇;;双向聚类迭代的协同过滤推荐算法[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

7 胡必云;李舟军;王君;;基于心理测量学的协同过滤相似度方法(英文)[A];NDBC2010第27届中国数据库学术会议论文集(B辑)[C];2010年

8 林丽冰;师瑞峰;周一民;李月雷;;基于双聚类的协同过滤推荐算法[A];2008'中国信息技术与应用学术论坛论文集（一）[C];2008年

9 罗喜军;王韬丞;杜小勇;刘红岩;何军;;基于类别的推荐——一种解决协同推荐中冷启动问题的方法[A];第二十四届中国数据库学术会议论文集（研究报告篇）[C];2007年

10 黄创光;印鉴;汪静;刘玉葆;王甲海;;不确定近邻的协同过滤推荐算法[A];NDBC2010第27届中国数据库学术会议论文集A辑一[C];2010年

中国博士学位论文全文数据库 前9条

1 李聪;电子商务推荐系统中协同过滤瓶颈问题研究[D];合肥工业大学;2009年

2 郭艳红;推荐系统的协同过滤算法与应用研究[D];大连理工大学;2008年

3 罗恒;基于协同过滤视角的受限玻尔兹曼机研究[D];上海交通大学;2011年

4 薛福亮;电子商务协同过滤推荐质量影响因素及其改进机制研究[D];天津大学;2012年

5 高e

本文编号：321890