基于协同过滤技术的个性化微博推荐及在Spark中的实现

发布时间：2021-02-07 01:50

　　随着互联网技术快速发展,信息规模呈现指数级别增长,直接引发了大数据信息革命,进入大数据时代。如何在如此海量的大数据环境下进行数据提取与挖掘,获取自己感兴趣的信息是大数据时代迫切需要解决的难题。本文将从两方面入手进行课题研究,既注重理论研究,也关注实际应用场景。推荐算法是解决大数据环境中物品推荐的重要方式。传统推荐算法都是基于用户-物品的特性进行协同过滤计算,缺乏环境因素、时间因素等其他因素的考虑,导致其推荐准确度比较低。本文提出一种新型的改进个性化社交推荐算法,即基于时间特性的社交接触度的协同过滤推荐算法（Collaborative Filtering with Time Social Exposure,简称TSERec）,其将社交接触度以及社交时效性融入到协同过滤算法中。区别于传统的协同过滤算法将社交信息融入到评价模型的用户-微博矩阵中,本文算法将社交信息和社交时效性用于进行社交接触度的计算。在改进个性化社交推荐算法的基础上,我们针对微博大数据应用场景进行工程实践,主要采用Spark Streaming技术以及Spark框架作为核心技术进行算法实现,从而实现基于流式计算的在线推荐工作... 

【文章来源】：华侨大学福建省

【文章页数】：48 页

【学位级别】：硕士

【部分图文】：

Spark框架的运行模式

算法的可视化模型

不同好友数量的算法性能对比

【参考文献】：
期刊论文
[1]基于用户在线行为的个性化推荐研究[J]. 陈晓璇,刘洪伟,曹宁.  合作经济与科技. 2018(07)
[2]基于位置社交网络的个性化兴趣点推荐[J]. 韩笑峰,牛保宁,杨茸.  计算机应用研究. 2019(05)
[3]基于协同过滤算法的推荐系统研究[J]. 李楚桐,莫赞.  信息通信. 2018(02)
[4]基于差分隐私的社交推荐方法[J]. 彭慧丽,张啸剑,金凯忠.  计算机科学. 2017(S1)
[5]个性化推荐系统综述[J]. 刘辉,郭梦梦,潘伟强.  常州大学学报(自然科学版). 2017(03)
[6]基于Spark Streaming的实时数据分析系统及其应用[J]. 韩德志,陈旭光,雷雨馨,戴永涛,张肖.  计算机应用. 2017(05)
[7]大数据研究综述[J]. 卿勇.  软件导刊. 2016(12)
[8]大数据技术进展与发展趋势[J]. 程学旗,靳小龙,杨婧,徐君.  科技导报. 2016(14)
[9]结合全局与双重局部信息的社交推荐[J]. 钱付兰,李启龙.  计算机科学. 2016(02)
[10]BigDataBench:开源的大数据系统评测基准[J]. 詹剑锋,高婉铃,王磊,李经伟,魏凯,罗纯杰,韩锐,田昕晖,姜春宇.  计算机学报. 2016(01)

硕士论文
[1]基于信任关系的社交推荐算法研究[D]. 孟芳.山东科技大学 2017



本文编号：3021443