基于Spark的矩阵分解与最近邻融合的推荐算法

• 作者: 王振军 黄瑞章
• 来源期刊: 计算机系统应用
• 关键词: 协同过滤 推荐算法 矩阵分解 交替最小二乘法 Spark
• 年，卷（期）: 2017,（4）
• 页码范围: 124-129
• 页数: 6页
• 字数: 4830字
• 语种: 中文
• DOI: 10.15888/j.cnki.csa.005743

摘要

随着当前移动互联网的快速发展,人们所面临的信息过载问题变得尤为严重,大数据场景下对特定用户的个性化推荐面临着巨大挑战.为了进一步提高推荐的时效性、准确度以及缓解面临的大数据量.提出了一种矩阵分解推荐算法在大数据环境下的优化算法模型.该模型通过在传统矩阵分解推荐算法的基础上融合了用户以及物品的相似性计算,在训练目标函数的过程中,即融入用户以及物品的前k个最近邻居的相似性计算,增强了算法的推荐准确度.利用Spark在内存计算以及迭代计算上的优势,设计了一种Spark框架下的矩阵分解与最近邻融合的推荐算法.通过在经典数据集—MovieLens数据集上的实验结果表明,该算法与传统的矩阵分解推荐算法相比,可以很好的缓解数据稀疏性,提高推荐算法的准确度,并且在计算效率方面也优于现有的矩阵分解推荐算法.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	黄瑞章	贵州大学计算机科学与技术学院	16	47	4.0	6.0
5	王振军	贵州大学计算机科学与技术学院	1	13	1.0	1.0