云计算环境中资源优化推荐技术研究

《云计算环境中资源优化推荐技术研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、云计算环境中资源优化推荐技术研究　　摘要：随着系统规模的不断扩大和数据获取量的指数级增长，在传统推荐系统的冷启动、精确性、扩展性等问题严峻化的同时，实时性问题亦成为面向海量数据推荐系统新的瓶颈点。基于传统推荐领域的主流算法，提出了一个扩展向量推荐模型。根据扩展模型对推荐算法中对象的向量进行合理扩展，通过相似度计算等过程动态选取推荐集，完成对目标对象更精确的推荐。实验结果表明，与传统推荐算法相比，基于新模型的推荐算法可以显著地提升推荐效果，成功克服冷启动问题。　　关键词：扩展向量推荐模型；协同过滤；SlopeOne；ALS?WR；分布式计算　　中图分类号：TN911?3

2、4；TM417文献标识码：A文章编号：1004?373X（2016）21?0024?05　　Researchonresourceoptimizationrecommendationtechnology　　incloudcomputingenvironment　　L?Xiaoqing　　（HuihuaCollegeofHebeiNormalUniversity，Shijiazhuang050000，China）　　Abstract：Withthecontinuouslyextendingofthesystemscaleandexponentialorderincreas

3、eofdataacquisitionquantity，theproblemsofcoldstart?up，accuracyandscalabilityofthe7traditionalrecommendationsystemaresevere，andthereal?timeproblembecomesanewbottleneckofthemassivedatarecommendationsystem.Onthebasisofthemainstreamalgorithminthetraditionalrecommendationfield，anexpand?vector

4、recommendationmodelisputforward.Theobjectvectorinrecommendationalgorithmisexpandedreasonablyaccordingtotheextendedmodel.Therecommendationsetisselectedbymeansofthesimilaritycalculationandotherdynamicprocessestorecommendtheaccuratetargetobject.Theexperimentalresultsshowthat，incomparisonwi

5、ththetraditionalcollaborativerecommendationalgorithm，therecommendationalgorithmbasedonthisnewmodelcanpromotetherecommendationeffectsignificantly，andovercomethecoldstart?upsuccessfully.　　Keywords：expand?vectorrecommendationmodel；collaborativefiltering；SlopeOne；ALS?WR；distributedcomputing

6、　　0引言7　　由于推荐系统应用的普及，提高系统的用户体验一直是各个系统应用不断的追求。由于推荐系统中的推荐算法在运行过程中涉及大量的数据计算过程，而海量数据环境下，运算所需的时间越来越大，实时完成系统应用是面向海量数据推荐系统的瓶颈点。面对海量数据的存储，常用数据库早已超出负荷，系统的可扩展性问题也日益凸显。针对其瓶颈点，很多研究方案被提出，但将精度、实时性和可扩展性同时完美的融合在一个系统中是该领域一直以来面临的挑战。　　针对传统推荐算法面向海量数据时的可扩展性和数据稀疏性问题，基于分布式环境下的数据挖掘和并行处理技术，本文除对推荐算法本身进行优化改进外，提出了一

7、种基于Hadoop分布式平台完成推荐算法分布式实现的改进方案，即使用对海量稀疏数据具有良好支持的HDFS来存储用户交互矩阵并将其作为数据源，同时基于MapReduce分布式计算框架，将推荐算法的计算任务均衡地分配给Hadoop集群内的每台机器，从而有效地提高推荐算法的执行效率，同时在大规模分布式数据计算点，再次有效地将GPU引入进行辅助计算。　　1基于扩展向量的推荐模型　　将新模型具体应用在基于项目的协同过滤推荐算法中，优化后的算法流程如下：　　扩展向量：基于新模型对项目的特征向量进行扩展，即可得项目的扩展特征向量表示为：　　[eitemj=p（1，