基于朴素贝叶斯与协同过滤的分布式推荐模型研究

针对传统矩阵分解算法在处理海量数据时所面临的性能瓶颈以及大量数据的关键特征缺失问题,本文基于并行化矩阵分解算法对推荐系统效率进行提升,使用朴素贝叶斯分类算法提高推荐的准确率.首先基于TF-IDF算法构建图书评论的情感词典;然后结合朴素贝叶斯算法完善缺失关键特征的数据;最后使用并行化后的协同过滤推荐算法得到推荐结果.本文采用豆瓣读书网站上的真实图书评论数据进行实验验证,实验结果表明,分布式环境下的协同过滤推荐算法与朴素贝叶斯算法能够高效结合,显著提高推荐效率,准确度也有所提升.

基于Hadoop的电子商务推荐系统的设计与实现

为了解决大数据应用背景下大型电子商务系统所面临的信息过载问题,研究了基于Hadoop构建分布式电子商务推荐系统的方案。采用基于MapReduce模型实现的算法具有较高的伸缩性和性能,能高效地进行离线数据分析。为了克服单一推荐技术的不足,设计了融合多种互补性推荐技术的混合推荐模型。实验结果表明,基于Hadoop平台实现的推荐系统具有较好的伸缩性和性能。