68、大数据环境下改进的协同过滤推荐算法

大数据环境下改进的协同过滤推荐算法

1. 引言

随着网络数据的爆炸式增长以及信息技术的飞速发展，大数据成为了数据挖掘领域的热门研究话题。大数据通常用于描述结构化和非结构化数据的指数级增长和广泛可用性。如今，许多政府和企业对这项创新技术的巨大潜力产生了浓厚兴趣。然而，这些机构很难找到相关内容，推荐系统应运而生，以解决这一问题。

推荐系统是一种在复杂信息平台下为用户提供决策的策略，能够有效地向终端用户推荐所需信息。开发推荐系统的技术多种多样，包括基于内容的过滤、协同过滤或混合方法。其中，协同过滤推荐算法（CFRA）非常受欢迎，被许多大数据供应商和消费者广泛应用，如 eBay、亚马逊和 Facebook。

近年来，许多研究表明，在协同推荐系统中应用 k - 均值聚类技术可以显著提高传统 CFRA 的性能。此外，使用主成分分析（PCA）作为降维方法可以显著改善聚类技术。因此，在正式进行聚类任务之前进行降维是必要的。本文提出了两种有效的协同过滤推荐系统算法。第一种使用改进的 k - 均值聚类技术，第二种使用改进的 k - 均值聚类技术并结合 PCA 作为降维方法，以提高大数据环境下的推荐准确性。实验结果表明，这两种算法的推荐性能优于传统的协同过滤推荐算法。

2. 相关工作

近年来，大数据理念吸引了政府、大学和企业等众多官方组织的关注。推荐系统被引入，通过一种能根据不同标准进行预测的机制，帮助这些组织找到他们需要的内容。以下是一些相关的推荐策略：
- Apache Mahout ：一个开源项目，主要支持机器学习方法的免费可扩展实现。
- MyMediaLite