1、推薦系統(tǒng)是一種能夠主動(dòng)挖掘用戶(hù)興趣偏好，為不同的用戶(hù)制定個(gè)性化的推薦列表，提供個(gè)性化推薦服務(wù)的智能化系統(tǒng)。協(xié)同過(guò)濾算法是一種發(fā)展較早、應(yīng)用廣泛的個(gè)性化推薦算法，目前比較流行的包括社會(huì)化推薦算法與概率矩陣分解模型。前一種算法通過(guò)融入用戶(hù)社會(huì)屬性，提高用戶(hù)偏好刻畫(huà)的準(zhǔn)確性，后一種算法通過(guò)機(jī)器學(xué)習(xí)的方法得到用戶(hù)、項(xiàng)目的特征，具有較高的準(zhǔn)確度。但是，如何拓展有限的社會(huì)關(guān)系和如何揭示用戶(hù)之間相互作用對(duì)用戶(hù)特征的影響都還有值得研究和改進(jìn)的空間。另外

2、，大數(shù)據(jù)時(shí)代的到來(lái)，海量數(shù)據(jù)的處理對(duì)推薦系統(tǒng)的計(jì)算與存儲(chǔ)能力帶來(lái)了嚴(yán)峻的挑戰(zhàn)。由于傳統(tǒng)的推薦系統(tǒng)通常運(yùn)行在單服務(wù)器條件下，分析計(jì)算能力有限，已經(jīng)不能滿(mǎn)足有效處理爆發(fā)式增長(zhǎng)數(shù)據(jù)的需求。針對(duì)上面的問(wèn)題，本文提出了兩種新的協(xié)同過(guò)濾算法，在 Hadoop平臺(tái)實(shí)現(xiàn)并行化計(jì)算以提高計(jì)算效率與存儲(chǔ)能力。另外，研究并實(shí)現(xiàn)了一個(gè)結(jié)合 Hadoop相關(guān)技術(shù)和本文所提推薦算法的具有處理海量數(shù)據(jù)能力的推薦系統(tǒng)。
　　本研究主要內(nèi)容包括：⑴大數(shù)據(jù)環(huán)境下的社

3、會(huì)化推薦算法。該算法在協(xié)同過(guò)濾中引入社會(huì)信任關(guān)系，并且挖掘出更多的可信任關(guān)系。對(duì)于用戶(hù)之間的信任關(guān)系，需要區(qū)分項(xiàng)目類(lèi)別，在各類(lèi)別下通過(guò)社區(qū)發(fā)現(xiàn)方法發(fā)現(xiàn)信任社區(qū)作為目標(biāo)用戶(hù)候選可信任用戶(hù)集，以擴(kuò)展目標(biāo)用戶(hù)可信任用戶(hù)集。再根據(jù)候選可信任用戶(hù)在項(xiàng)目類(lèi)別下評(píng)價(jià)的專(zhuān)業(yè)性和該用戶(hù)與目標(biāo)用戶(hù)評(píng)分的相似性，定義候選可信任用戶(hù)的信任度。根據(jù)信任度得到目標(biāo)用戶(hù)可信任用戶(hù)集，從而得到推薦結(jié)果。最終給出算法在Mapreduce編程模型下的并行化實(shí)現(xiàn)。⑵大數(shù)據(jù)環(huán)

4、境下基于概率矩陣分解的個(gè)性化推薦。在該算法中把用戶(hù)對(duì)項(xiàng)目偏好的相似度定義為兩部分：用戶(hù)對(duì)項(xiàng)目的評(píng)分相似度和用戶(hù)對(duì)不同項(xiàng)目類(lèi)別的關(guān)注度。根據(jù)相似度對(duì)用戶(hù)進(jìn)行聚類(lèi)，并把用戶(hù)近鄰信息融入到概率矩陣分解模型以揭示用戶(hù)互相影響關(guān)系。再根據(jù)聚類(lèi)結(jié)果對(duì)用戶(hù)、項(xiàng)目進(jìn)行分組并組合，調(diào)整更新序列，分別在 Spark和MapReduce計(jì)算框架下實(shí)現(xiàn)并行計(jì)算。⑶在Hadoop平臺(tái)，利用本文提出的推薦算法和Spark計(jì)算引擎實(shí)現(xiàn)了電影推薦系統(tǒng)。該系統(tǒng)具有較優(yōu)的