基于云计算技术的个性化推荐系统

计算机工程与应用 ›› 2015, Vol. 51 ›› Issue (13): 111-117.

• 数据库、数据挖掘、机器学习 • 上一篇下一篇

基于云计算技术的个性化推荐系统

应毅1，2，刘亚军3，陈诚4

1.三江学院软件学院，南京 210012
2.三江学院计算机科学与工程学院，南京 210012
3.东南大学计算机科学与工程学院，南京 210096
4.易立方教育科技有限公司，南京 210012

出版日期:2015-07-01 发布日期:2015-06-30

Personalization recommender system based on cloud-computing technology

YING Yi1，2, LIU Yajun3, CHEN Cheng4

1.School of Software, Sanjiang University, Nanjing 210012, China
2.College of Computer Science and Technology, Sanjiang University, Nanjing 210012, China
3.School of Computer Science and Engineering, Southeast University, Nanjing 210096, China
4.eCube Education Technology Co., Ltd., Nanjing 210012, China

Online:2015-07-01 Published:2015-06-30

摘要/Abstract

摘要： 传统的协同过滤推荐技术在大数据环境下存在一定的不足。针对该问题，提出了一种基于云计算技术的个性化推荐方法：将大数据集和推荐计算分解到多台计算机上并行处理。在对经典ItemCF算法MapReduce化后，建立了一个基于Hadoop开源框架的并行推荐引擎，并通过在已商用的英语训练平台上进行学习推荐工作验证了该系统的有效性。实验结果表明，在集群中使用云计算技术处理海量数据，可以大大提高推荐系统的可扩展性。

Abstract: Traditional collaborative filtering recommendation technology works poor under the environment of bigdata. To solve this problem, a personalized recommendation method based on cloud-computing technology is proposed. In this method, the large dataset and recommended calculation will be decomposed into multiple computers for parallel processing. It uses the open source framework Hadoop to establish a parallel recommendation engine on the basis of the classical ItemCF algorithm with MapReduce technology. The effectiveness of this system has already been verified on English training platforms by recommending learning resources. Experimental results indicate that the use of cloud-computing technology in the cluster to process massive data can significantly improve the scalability of Recommender Systems.

Key words: recommender systems, item-based collaborative filtering, MapReduce, ItemCF-MR algorithm, learning resources recommend

应毅1，2，刘亚军3，陈诚4. 基于云计算技术的个性化推荐系统[J]. 计算机工程与应用, 2015, 51(13): 111-117.

YING Yi1，2, LIU Yajun3, CHEN Cheng4. Personalization recommender system based on cloud-computing technology[J]. Computer Engineering and Applications, 2015, 51(13): 111-117.

[1]	田维安，陈红梅，周丽华. 基于相似用户好奇心的多样性推荐方法[J]. 计算机工程与应用, 2021, 57(23): 113-121.
[2]	陈海，钱付兰，陈洁，赵姝，张燕平. 基于变分自编码器的评分预测模型[J]. 计算机工程与应用, 2021, 57(22): 153-159.
[3]	张杰，张月琴，张泽华，刘志鑫，雷祥. 异质信息融合网络嵌入的注意力偏好推荐方法[J]. 计算机工程与应用, 2021, 57(21): 123-131.
[4]	陈元文. MapReduce技术在物资调运与配载问题中的应用[J]. 计算机工程与应用, 2021, 57(12): 273-278.
[5]	潘承瑞，何灵敏，胥智杰，王修晖，宋承文. 融合知识图谱的双线性图注意力网络推荐算法[J]. 计算机工程与应用, 2021, 57(1): 29-37.
[6]	应文杰，桑基韬. 改进的哈希学习高效推荐算法[J]. 计算机工程与应用, 2020, 56(9): 75-83.
[7]	程晓娜，孙志锋. 隐式反馈场景下的LFM-XGB-LR融合推荐算法[J]. 计算机工程与应用, 2020, 56(5): 85-92.
[8]	伍鑫，黄勃，方志军，刘文竹. 序列生成对抗网络在推荐系统中的应用[J]. 计算机工程与应用, 2020, 56(23): 175-179.
[9]	李凌，顾晓梅，刘子豪. 多子域随机森林在情境感知推荐中的应用研究[J]. 计算机工程与应用, 2020, 56(22): 132-141.
[10]	李浩，张亚钏，康雁，杨兵，卜荣景，李晋源. 融合循环知识图谱和协同过滤电影推荐算法[J]. 计算机工程与应用, 2020, 56(2): 106-114.
[11]	曾安，赵恢真. 融合了LSTM和PMF的推荐算法[J]. 计算机工程与应用, 2020, 56(19): 68-75.
[12]	李淑芝，余乐陶，邓小鸿，李志军. 结合Skip-gram和加权损失函数的神经网络推荐模型[J]. 计算机工程与应用, 2020, 56(19): 76-85.
[13]	李娴，张泽华，赵霞，田华. TWD-GNN：基于三支决策的图神经网络推荐方法[J]. 计算机工程与应用, 2020, 56(12): 156-162.
[14]	张岐山，翁丽娟. 社会化推荐系统综述[J]. 计算机工程与应用, 2020, 56(1): 1-10.
[15]	楚涵婷1，邢星1，2，孟志鑫1，贾志淳1. 国家自然科学基金推荐系统研究领域资助分析[J]. 计算机工程与应用, 2019, 55(9): 259-263.

基于云计算技术的个性化推荐系统

Personalization recommender system based on cloud-computing technology

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics