1、在大數(shù)據(jù)環(huán)境下，企業(yè)已經(jīng)擁有了龐大的零售戶信息數(shù)據(jù)以及訂單數(shù)據(jù)。零售戶在全國范圍內(nèi)的數(shù)量已經(jīng)超過了800萬家，每月都會產(chǎn)生大量訂單信息，隨著時間的推移，這個訂單信息數(shù)據(jù)量已經(jīng)達(dá)到TB級別，大量的數(shù)據(jù)能夠方便企業(yè)更好的了解零售戶的詳細(xì)信息以及市場動態(tài)。然而怎樣應(yīng)用現(xiàn)有的海量的數(shù)據(jù)仍舊困擾著企業(yè)，面對現(xiàn)階段海量的信息數(shù)據(jù)，推薦系統(tǒng)出現(xiàn)了。推薦系統(tǒng)是一種利用歷史數(shù)據(jù)的關(guān)聯(lián)分析的技術(shù)，是一種極具潛力的處理數(shù)據(jù)過載的服務(wù)技術(shù)。
　　近年來以

2、智能手機(jī)為代表的移動終端的普及和用戶數(shù)量快速增加，移動終端在信息的獲取中古據(jù)著越來越重要的作用。解決信息過載問題，協(xié)同過濾技術(shù)是目前推薦系統(tǒng)中最成功且應(yīng)用最廣泛的個性化推薦技術(shù)，無論是在理論研究還是在實際的實踐中都取得了較快的發(fā)展。然而傳統(tǒng)的協(xié)同過濾算法面臨著諸多問題:如原始評價數(shù)據(jù)稀疏、用戶間的相似性難以度量、系統(tǒng)可擴(kuò)展性差等方面的制約，影響了推薦效果。面對上述問題對推薦算法的制約，采用以下方法對原始的過濾算法進(jìn)行優(yōu)化，主要工作如下:

3、
　　1)針對用戶間相似性難以度量對過濾算法應(yīng)用的制約，提出了一種計算用戶間的混亂程度來衡量用戶間的相似性。首先是通過計算用戶間的評分差，也就是同一個項目兩個不同用戶評分的差值;其次對評分的差值進(jìn)行加權(quán)信息熵計算來表示用戶評分的相似度;同時在計算用戶相似度時也要關(guān)注活躍用戶對共同評分項目的影響，盡可能的減少活躍用戶對交集圈大小的影響。實驗結(jié)果表明，在原始評分?jǐn)?shù)據(jù)稀疏不變的情況下，改進(jìn)后的算法緩解了傳統(tǒng)的推薦算法在數(shù)據(jù)稀疏的情況下相

4、似度度量不準(zhǔn)確的問題，提高了用戶間的相似度的精度和推薦精度。
　　2)針對可擴(kuò)展性差對傳統(tǒng)算法應(yīng)用的制約，提出了一種基于SVD的二分k-means協(xié)同過濾推薦算法，系統(tǒng)只需要存儲奇異值分解后的用戶或者項目的奇異矩陣，用戶或者項目的特征向量維數(shù)大大降低，保證了推薦精確度的同時，節(jié)省了更多的存儲空間。該算法利用用戶與項目之間的潛在關(guān)系克服了稀疏性問題，同時保留了聚類方法實時性好、可擴(kuò)展性強(qiáng)等優(yōu)點，實驗結(jié)果表明該算法有效的解決了傳統(tǒng)的協(xié)