基于 LSH和 MapReduce 的近邻模型推荐算法

• 作者: 向阳 张骐 潘涛 陈佑雄
• 来源期刊: 微电子学与计算机
• 关键词: 协同过滤 K-nearest Neighbor LSH MapReduce
• 年，卷（期）: 2013,（12）
• 页码范围: 47-49,53
• 页数: 4页
• 分类号: TP31
• 语种: 中文

摘要

传统的近邻模型（k-nearest Neighborhood ，KNN）是一种使用广泛的协同过滤模型，但是随着用户和项目的增加，需要计算大量用户或项之间的相似度，其时间复杂度过高。通过结合位置敏感哈希（Locality-Sensitive Has-hing ，LSH）与MapReduce ，提出了一种能够在线性时间复杂度内并行计算用户或项之间相似度的近邻模型推荐算法，降低了时间和空间复杂度。在Tencent Weibo数据集上进行了仿真实验，实验表明提出的模型能有效解决传统近邻模型对于大数据集时间复杂度过高的问题，显著地提高了传统近邻模型的精度和降低传统近邻模型的耗时。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	向阳	同济大学计算机科学与技术系	88	1316	16.0	34.0
2	张骐		6	35	3.0	5.0
3	潘涛		5	34	3.0	5.0
4	陈佑雄	同济大学计算机科学与技术系	1	3	1.0	1.0