云计算环境下基于协同过滤的个性化推荐机制

梁冰芳

摘要

在互联网不断发展与推动下，出现了一个新的概念名词——云计算，在云计算的大环境下应用的数据数量不断增长，几乎已经达到一个顶峰，所以此时就必须提出更具有创新性的东西，特别是极具个性化的内容，但是受限于云计算庞大的数据计算量和它独有的处理框架结构，不能将传统的技术直接运用到云计算当中，必须进行一系列的改革与创新才能发挥云计算最好的效果。为了更好的解决上面的问题，在云计算的大环境下提出基于协同过滤的个性化推荐机制是十分必要的，这一机制首先会制定分散式评分管理策略，然后会使用候选邻居的概念对结果影响比较大的项目进行分析与研究，并推出协同过滤的个性化推荐机制，帮助用户更好地解决问题。

【关键词】云计算环境 协同过滤 个性化推荐机制

联网的快速发展与壮大为用户的生活和工作提供了充足的快捷和便利，但是在带来方便的同时也带来了诸如信息超载的问题，信息的急速超载导致用户的工作效率大大降低，很多工作不能及时完成，所以适时的推出基于协同过滤的个性化推荐机制是非常合理与科学的，它是一种重要的信息过滤方法，它主要通过对用户的兴趣爱好和历史搜索行为等一系列的行为进行分析，然后根据用户的需求推荐科学合理的项目，这可以在很大程度上解決目前信息超载的问题。而且协同过滤推荐是一项非常成功的个性化推荐机制，可以说是到目前最成功的一个个性化推荐机制之一吧。下面就详细的对协同过滤个性化推荐机制进行详细的分析和研究。

1 相关工作

其实除了本文要讲到的协同过滤的个性化推荐机制，还有许多分布式推荐机制，它们大多数都遵循着一个基本思想，就是：首先它们互相之间在网络上进行评分向量的运送，然后就是对每一个具体用户进行分布式运算，最后代表邻居关系的覆盖网络就可以在网络上建设完成了。但是这些算法基本上都存在着这样一个问题就是：这种算法一般都会产生巨大的费用，而且网络数据的更新也比较缓慢和滞后，而且整个算法的完成需要花费大量的时间。为了解决上面所提到的问题，Miller、Kim、Ormadi、Berkvosky等人纷纷提出了自己的解决方案和措施，有的提出泛洪策略的推荐法，有的则提出了用面向邻居运送评分向量的方式来代替前面所提到的泛洪策略的推荐法，甚至有的人设计出面向社交网络的分布式推荐机制的想法。虽然他们提出的想法都在某些方面存在着优势和可取之处，但是它们的缺点也是比较明显的，所以最终没有得到长久的发展[2]。

2 云计算环境的协同过滤推荐机制

关于模型的描述，按照功能和具体结构，我们可以将云计算环境下的协同过滤推荐模型分为四个部分，分别是：基础设施层、数据预处理层、推荐服务层、用户接入层。首先基础设施层数据核心，是由以SN架构为基础的数据中心构成，负责计算本地的评分数据;数据预处理层是负责管理数据的部门，主要对用户的数据进行管理与收集，还附带查询功能;推荐服务层是负责接受用户的数据的，然后对这些数据进行响应与分析;最后用户接入层是提供推荐机制的泛在接入。

3 分布式评分管理

3.1 评分过滤

说到传统的评分过滤，在此处我们主要讲述一下传统的推荐算法的使用，传统的使用通常是对用户使用协同过滤的推荐思想，然后对用户的相似度进行计算，然后获得用户的k邻值。最后通过对k邻值的一系列计算与分析得出k近邻加权产生的推荐结果。还有就是，当推荐算法在计算项目的相似度时，如果两个不同的项目的存储位置分别在不同的位置时，那么推荐算法就需要在数据传输过程中将一边的数据传输到另外一边。而且单次推荐过程需要很多记录，大约是n（n-1）m/2次。

3.2 两阶段评分索引

在进行评分索引时，由于项目的候选邻居可能会存在以下情况即：候选邻居的分布式可能会存储在多个不同的位置，因此如何快速找到它们的存储位置成为了十分重要的一点，也是在进行评分索引时必须要注意和重视的一点，如果不能足够重视这一点的话就会对用户造成很多的不便和问题，从而加剧信息超载的问题。

3.3 评分存储

在进行评分存储时，要注意具体的存储规则，这样有帮助用户找到最适合他们的推荐机制，并最快速的找到它们的位置，这样就可以节省大量的时间，这样用户就可以利用这些时间做一些对于他们而言更加有意义的事情。

3.4 评分查询

评分查询是用户在进行数据索引步骤后十分重要的一步，可以很有效的找到k邻值，然后找到自己的评分值。

3.5 参数分析

本节通过调节R八《的候选邻居数量、兴趣度模型更新间隔以及模型规模等参数优化RAC的MAE和NIF。实验中训练集的项目数量分别设置为500，2500和5000，并从测试集中分别选择500个用户作为目标用户，然后通过对这些目标用户的分析得住一个合理科学的理论，并通过这一理论指导实践，更好的解决信息超载的问题，帮助用户更好地生活和工作。

4 基于候选邻居的协同过滤推荐算法

在进行候选邻居的协同过滤推荐算法时，一般的项目是具有相似性的，而且它们之间的相似性是一般不会发生变化的，本文就是对协同过滤算法进行研究与创新，推出一种全新的思想，构建一个好的思路，然后通过这种思路来推出更加优化的算法，帮助用户有效解决信息超载这一问题，然后提出具体的个性化推荐方案，帮助樱花解决这一问题。

5 结语

随着云计算的不断发展与创新，信息超载的情况越来越严重，已经严重的影响到人们日常的学习与工作，为了解决这一问题，必须提出更好地个性化推荐机制，这样才能有效的提高人们的工作效率，减轻工作负担，达到最好的效果。而本文就是对在云计算的大环境下基于协同过滤的个性化推荐机制进行研究与分析，来解决传统的个性化推荐所不能解决的问题，在大幅度上解决当下信息超载的问题，帮助人们推荐最适合自己的应用，充分提高人们的工作效率，将人们从繁杂的工作中解放出来，促进人们的健康可持续发展。

参考文献

[1]Tunkelang D.Recommendations as a con-versation with the user[C].Proc ofthe 5th ACM Conf on Recommender Sys-tems.New York：ACM.2016（09）：11-12.

[2]Breese 7，Heckerman D，Kadie C.Bmpiri-cal analysis of predictive algorithmsfor collaborative filtering [C]//Procof the 14th Conf on Uncertainty inArtificial Intelligence.San Francis-cc：Morgan Kaufmann，2016（11）：43-52.