社會化網絡的并行化推薦算法
大小：1.36 MB 人氣：0 2017-12-22 需要積分：1
針對傳統的協同過濾算法在利用簽到記錄進行興趣點（ POI）推薦時不能充分利用簽到信息所隱含的偏好、位置和社交網絡信息而損失準確率的問題，以及傳統的單機串行算法在大數據處理能力上的弱勢，提出一種基于位置和朋友關系的協同過濾（ LFBCF）算法，以用戶歷史偏好為基礎，綜合考慮用戶社交關系網絡進行協同過濾，并以用戶的活動范圍作為約束實現對用戶的興趣點推薦。為了支持大數據量的實驗，將算法在Spark分布式計算平臺上進行了并行化實現。研究過程中使用了Gowalla和Brightkite這兩個基于位置的社會化網絡數據集，分析了數據集中簽到數量、簽到位置之間距離、社交關系等可能對推薦結果造成影響的因素，以此來支持提出的算法。實驗部分通過與傳統的協同過濾算法等經典算法在準確率、F-measure上的對比驗證了算法在推薦效果上的優越性，并通過并行算法與單機串行算法在不同數據規模上加速比的對比驗證了算法并行化的意義以及性能上的優越性。
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%
