面向eCRM的推荐系统的设计与实现

发布时间：2017-09-28 19:31

  本文关键词：面向eCRM的推荐系统的设计与实现

  更多相关文章： eCRM Hadoop OpenStack 推荐系统 网络推荐算法

【摘要】：信息技术的发展、互联网规模的壮大和网络应用的普及,使得用户信息接收量呈指数增长,信息过载的时代已经来临。在这样一个时代里,我们虽每天接收着来自外界海量的信息,却不能实现目标信息的有效关联和筛选。无论是接收信息的用户还是信息的提供者,都遭遇到前所未有的挑战。用户怎样从海量的信息里寻找到自己所需要的目标信息,提供者如何让自己的信息被推送至需要它们的用户那里,成为双方需要解决的共同难题。传统搜索引擎在这个时候往往显得捉襟见肘,于是出现了推荐系统。推荐系统将用户与信息关联起来,通过分析用户的个人喜好,帮助用户筛选、过滤信息,挑选那些可能会有用的信息呈现给用户。e CRM是基于CRM(C ustomer Relationship Management)并且融合了e-Commerce(电子商务)的大数据决策支持平台。e CRM包含了大量的产品和用户的关系数据,将e CRM上的企业产品信息和用户信息进行关联,由此设计一个基于e CRM大数据决策平台的推荐系统已是必然选择。通过推荐系统,e CRM平台能够根据用户的兴趣、爱好或者和这个用户相似的用户的兴趣爱好以及购买行为,给出合理、恰当的推荐信息,避免了用户在海量信息中选择产品时的痛苦。通过推荐系统提供的推荐服务能够极大提高用户的满意度,增强用户忠诚度与企业知名度,使e CRM能充分体现其用户关系管理的理念。传统的推荐系统往往运行于单机之上,极大制约了推荐系统的性能,产生推荐结果的时间不能满足用户的需要,日益增加的用户日志数据和计算量也受限于单机系统资源的约束。本文针对推荐系统的可扩展性问题,提出了将推荐系统充分并行化的思想。在深入地研究Apache Hadoop生态系统中的Map Reduce和HDFS基础上,将Hadoop部署到基于Open Stack的云平台上,并对新提出的网络推荐算法进行了Map Reduce化,并在此基础上设计和实现了面向e CRM的推荐系统的原型。本文所做的主要工作如下:1.通过对Hadoop的运行机制、Map Reduce并行化编程原理、常见的推荐算法和推荐系统、以及物质扩散算法和热传导推荐算法的详细研究,设计了网络推荐算法的详细Map Reduce化流程。2.推荐系统遵循高内聚、低耦合的原则,采用模块化架构,使推荐系统的模块相对独立,并将推荐系统部署到以Open Stack作为基础设施层、Hadoop作为平台服务层的基础平台上,从而使推荐系统拥有良好的可扩展性。3.在e CRM大数据决策平台的基础上,利用e CRM产生的数据,采用经过Map Reduce化的网络推荐算法,设计出了准确度高又能满足新颖化的面向e CRM的推荐系统。
【关键词】：eCRM Hadoop OpenStack 推荐系统 网络推荐算法
【学位授予单位】：曲阜师范大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP391.3
【目录】：

• 摘要4-6
• Abstract6-10
• 第一章 绪论10-16
• 1.1 推荐系统的研究背景和意义10-11
• 1.2 研究现状11-13
• 1.3 推荐系统目前存在的问题13
• 1.4 课题研究的主要内容13-15
• 1.5 论文组织结构15-16
• 第二章 推荐系统相关技术研究16-26
• 2.1 推荐系统16-17
• 2.2 推荐算法的分类17-21
• 2.2.1 基于内容的推荐算法18
• 2.2.2 基于协同过滤的推荐算法18-20
• 2.2.3 混合式推荐算法20-21
• 2.3 推荐算法的评价指标21
• 2.3.1 命中率21
• 2.3.2 绝对平均误差21
• 2.4 Hadoop生态系统21-25
• 2.4.1 分布式文件系统HDFS22-23
• 2.4.2 MapReduce编程模型23-25
• 2.5 本章小结25-26
• 第三章 基于MapReduce模型的网络推荐算法26-41
• 3.1 网络推荐算法26-27
• 3.2 物质扩散算法及其MapReduce化27-36
• 3.2.1 物质扩散算法27-31
• 3.2.2 物质扩散算法的MapReduce化31-36
• 3.3 热传导推荐算法及其MapReduce化36-40
• 3.3.1 热传导推荐算法36-38
• 3.3.2 热传导算法的MapReduce化38-40
• 3.4 算法复杂度分析40
• 3.5 本章小结40-41
• 第四章 面向eCRM的推荐系统的设计与实现41-54
• 4.1 推荐系统需求分析和设计原则41
• 4.2 推荐系统架构设计41-44
• 4.3 实验环境44-48
• 4.3.1 基于OpenStack的云计算平台44-46
• 4.3.2 Hadoop分布式计算平台46-48
• 4.4 推荐服务的实现48-50
• 4.5 推荐服务的部署50-51
• 4.5.1 推荐服务的导出50
• 4.5.2 推荐服务的运行50-51
• 4.6 推荐系统测试51-53
• 4.6.1 登陆51-52
• 4.6.2 注册52
• 4.6.3 会员中心与推荐列表52-53
• 4.7 本章小结53-54
• 第五章 总结与展望54-56
• 5.1 论文总结54
• 5.2 工作展望54-56
• 参考文献56-58
• 致谢58

【参考文献】

中国期刊全文数据库 前4条

1 江旭宸;;搜索引擎发展现状及展望[J];信息通信;2013年07期

2 朱郁筱;吕琳媛;;推荐系统评价指标综述[J];电子科技大学学报;2012年02期

3 刘建国;周涛;汪秉宏;;个性化推荐系统的研究进展[J];自然科学进展;2009年01期

4 蔺丰奇;刘益;;信息过载问题研究述评[J];情报理论与实践;2007年05期

，

本文编号：937702