基于Spark地点推荐技术的研究与应用
发布时间：2021-02-23 16:47
在信息井喷的时代,从海量数据中探寻出用户有兴致的信息是一件沉重的任务,推荐系统的任务就是发掘数据中所潜藏的价值。近年来,基于位置服务的应用也快速发展,这些应用通过设备定位接口采样了大量的地点签到数据。从而为实现面向用户的地点推荐提供了条件。推荐算法是数据挖掘中值得深入研究的算法。地点推荐也是各大知名应用中不可或缺的功能。针对目前地点推荐面临的一些问题,如数据稀疏、冷启动、个性化程度低等,本文基于Spark大数据平台,构建了改进的推荐模型,该模型不是仅仅利用单独一种推荐算法,不仅使用基于内容的推荐,而且充分利用协同过滤推荐,考虑了用户当前的需求和用户的历史偏好。使用用户关于地点-属性偏好的数据填充方式,大大改善了数据稀疏性;使用融合用户差异化和地点自身质量的相似性计算方法,提升了用户和地点的相似性计算效果。同时,系统采用Spark分布式集群实现模型的并行计算,提高了海量数据下的建模能力,缩短模型训练的时间。本文的验证数据来自于Foursquare社交网站上用户的签到数据。使用API接口抓取了15102513条签到数据。为了评估算法的推荐效果,不仅选择了推荐系统中通常使用的平均绝对误差（M...
【文章来源】：中国科学院大学(中国科学院沈阳计算技术研究所)辽宁省
【文章页数】：61 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第1章 绪论
1.1 研究背景
1.1.1 电子商务中的商品推荐
1.1.2 社交网络下的地点推荐
1.2 研究内容与主要贡献
1.2.1 主要的研究内容
1.2.2 主要贡献
1.3 本章小结
第2章 现有的推荐算法和地点推荐模型
2.1 现有的推荐算法
2.1.1 协同过滤推荐
2.1.2 基于内容的推荐
2.1.3 基于深度学习的推荐
2.2 现有的地点推荐模型
2.2.1 基于空间数据的推荐模型
2.2.2 基于内容的推荐模型
2.2.3 模型间的对比
2.3 本章小结
第3章 大数据下的推荐算法
3.1 大数据与社交网络推荐算法
3.1.1 大数据
3.1.2 社交网络中的推荐算法
3.2 大数据平台推荐算法研究现状
3.2.1 混合协同过滤个性化推荐
3.2.2 基于大数据矩阵分解的推荐
3.3 本章小结
第4章 基于Spark的改进地点推荐模型
4.1 推荐模型
4.1.1 地点推荐的特殊性
4.1.2 模型组合的方式
4.1.3 混合推荐模型
4.2 基于用户地点属性偏好的矩阵填充方式
4.3 融合地点自身质量的相似性计算方式
4.4 Spark计算并行化
4.4.1 基于ALS推荐算法
4.4.2 单点故障优化
4.5 本章小结
第5章 实验效果评估
5.1 实验设置与评价指标
5.1.1 实验环境
5.1.2 实验数据
5.1.3 评价指标
5.2 实验设计与分析
5.3 本章小结
第6章 总结与展望
6.1 工作总结
6.2 展望
参考文献
致谢
攻读学位期间发表的学术论文与研究成果
【参考文献】：
期刊论文
[1]数据挖掘中机器学习的应用[J]. 周旭. 电子技术与软件工程. 2019(07)
[2]基于增强二部图网络结构的推荐算法[J]. 张岐山,文闯. 计算机系统应用. 2019(04)
[3]基于矩阵分解的最近邻推荐系统及其应用[J]. 王娟,熊巍. 统计与决策. 2019(06)
[4]Spark平台下KNN-ALS模型推荐算法[J]. 邹小波,王佳斌,詹敏. 华侨大学学报(自然科学版). 2019(02)
[5]基于协同过滤和内容过滤的微博话题混合推荐算法[J]. 张兴宇. 电脑编程技巧与维护. 2019(03)
[6]基于用户交互的社交网络好友推荐算法[J]. 龙增艳,陈志刚,徐成林. 计算机工程. 2019(03)
[7]基于用户评论的深度情感分析和多视图协同融合的混合推荐方法[J]. 张宜浩,朱小飞,徐传运,董世都. 计算机学报. 2019(06)
[8]融合社交网络和图像内容的兴趣点推荐[J]. 邵长城,陈平华. 计算机应用. 2019(05)
[9]一种基于深度学习的混合推荐算法[J]. 曾旭禹,杨燕,王淑营,何太军,陈剑波. 计算机科学. 2019(01)
[10]基于Spark的Hybrid推荐算法的研究与实现[J]. 祝永志. 电子技术. 2018(12)
硕士论文
[1]基于混合过滤的推荐算法研究及其应用[D]. 吴汉.南京邮电大学 2018
[2]基于受限玻尔兹曼机的电子商务推荐算法[D]. 陈雅昕.浙江工商大学 2018
[3]基于用户签到数据的个性化地点推荐算法研究[D]. 郝日佩.西安电子科技大学 2017
[4]基于时空数据的多约束地点推荐模型研究[D]. 温波.华南理工大学 2015
[5]基于本体和知识规则的混合推荐研究[D]. 郑元平.浙江师范大学 2014
本文编号：3047907
【文章来源】：中国科学院大学(中国科学院沈阳计算技术研究所)辽宁省
【文章页数】：61 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第1章 绪论
1.1 研究背景
1.1.1 电子商务中的商品推荐
1.1.2 社交网络下的地点推荐
1.2 研究内容与主要贡献
1.2.1 主要的研究内容
1.2.2 主要贡献
1.3 本章小结
第2章 现有的推荐算法和地点推荐模型
2.1 现有的推荐算法
2.1.1 协同过滤推荐
2.1.2 基于内容的推荐
2.1.3 基于深度学习的推荐
2.2 现有的地点推荐模型
2.2.1 基于空间数据的推荐模型
2.2.2 基于内容的推荐模型
2.2.3 模型间的对比
2.3 本章小结
第3章 大数据下的推荐算法
3.1 大数据与社交网络推荐算法
3.1.1 大数据
3.1.2 社交网络中的推荐算法
3.2 大数据平台推荐算法研究现状
3.2.1 混合协同过滤个性化推荐
3.2.2 基于大数据矩阵分解的推荐
3.3 本章小结
第4章 基于Spark的改进地点推荐模型
4.1 推荐模型
4.1.1 地点推荐的特殊性
4.1.2 模型组合的方式
4.1.3 混合推荐模型
4.2 基于用户地点属性偏好的矩阵填充方式
4.3 融合地点自身质量的相似性计算方式
4.4 Spark计算并行化
4.4.1 基于ALS推荐算法
4.4.2 单点故障优化
4.5 本章小结
第5章 实验效果评估
5.1 实验设置与评价指标
5.1.1 实验环境
5.1.2 实验数据
5.1.3 评价指标
5.2 实验设计与分析
5.3 本章小结
第6章 总结与展望
6.1 工作总结
6.2 展望
参考文献
致谢
攻读学位期间发表的学术论文与研究成果
【参考文献】：
期刊论文
[1]数据挖掘中机器学习的应用[J]. 周旭. 电子技术与软件工程. 2019(07)
[2]基于增强二部图网络结构的推荐算法[J]. 张岐山,文闯. 计算机系统应用. 2019(04)
[3]基于矩阵分解的最近邻推荐系统及其应用[J]. 王娟,熊巍. 统计与决策. 2019(06)
[4]Spark平台下KNN-ALS模型推荐算法[J]. 邹小波,王佳斌,詹敏. 华侨大学学报(自然科学版). 2019(02)
[5]基于协同过滤和内容过滤的微博话题混合推荐算法[J]. 张兴宇. 电脑编程技巧与维护. 2019(03)
[6]基于用户交互的社交网络好友推荐算法[J]. 龙增艳,陈志刚,徐成林. 计算机工程. 2019(03)
[7]基于用户评论的深度情感分析和多视图协同融合的混合推荐方法[J]. 张宜浩,朱小飞,徐传运,董世都. 计算机学报. 2019(06)
[8]融合社交网络和图像内容的兴趣点推荐[J]. 邵长城,陈平华. 计算机应用. 2019(05)
[9]一种基于深度学习的混合推荐算法[J]. 曾旭禹,杨燕,王淑营,何太军,陈剑波. 计算机科学. 2019(01)
[10]基于Spark的Hybrid推荐算法的研究与实现[J]. 祝永志. 电子技术. 2018(12)
硕士论文
[1]基于混合过滤的推荐算法研究及其应用[D]. 吴汉.南京邮电大学 2018
[2]基于受限玻尔兹曼机的电子商务推荐算法[D]. 陈雅昕.浙江工商大学 2018
[3]基于用户签到数据的个性化地点推荐算法研究[D]. 郝日佩.西安电子科技大学 2017
[4]基于时空数据的多约束地点推荐模型研究[D]. 温波.华南理工大学 2015
[5]基于本体和知识规则的混合推荐研究[D]. 郑元平.浙江师范大学 2014
本文编号：3047907
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3047907.html
