10.3778/j.issn.1002-8331.1407-0117
一种改进Minhash的分布式协同过滤推荐算法
协同过滤推荐算法通过研究用户的喜好,实现从海量数据资源中为用户推荐其感兴趣的内容。衡量用户(资源)的相似性是协同过滤算法的核心内容,在数据量大的系统中,用户(资源)的相似性度量会面临准确性和计算复杂性等问题,影响到推荐效果。提出一种改进的协同过滤推荐算法,提取用户兴趣偏好的多值信息,运用改进Minhash算法度量用户相似性,并结合Mapreduce分布式计算,合理、高效地产生用户邻居,实现对用户的评分推荐。实验结果表明:改进算法能有效改善大数据集的推荐准确性并提高推荐效率,降低了推荐耗时。
协同过滤、兴趣偏好、相似度计算、分布式计算
52
TP311(计算技术、计算机技术)
2016-07-15(万方平台首次上网日期,不代表论文的发表时间)
共6页
95-100