分布式協(xié)同過濾推薦算法

　　針對(duì)原始的基于用戶（ User-based）或基于評(píng)分項(xiàng)目（Item-based）的協(xié)同過濾推薦算法（CFR）大多采用“硬分類”式聚類，且具有數(shù)據(jù)稀疏性和可擴(kuò)展性的問題，提出一種基于灰色關(guān)聯(lián)分析的分布式協(xié)同過濾推薦算法。算法使用Hadoop分布式計(jì)算平臺(tái)，首先，計(jì)算評(píng)分矩陣中每個(gè)評(píng)分項(xiàng)目的灰色關(guān)系系數(shù)；然后，計(jì)算各評(píng)分項(xiàng)目的灰色關(guān)聯(lián)度（ GRG）；最后，根據(jù)GRG獲得每個(gè)評(píng)分項(xiàng)目的近鄰集合，對(duì)不同用戶的待預(yù)測(cè)項(xiàng)目用對(duì)應(yīng)的近鄰集合對(duì)其評(píng)分進(jìn)行預(yù)測(cè)。通過在MovieLens數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，與User-based和Item-based的CFR算法相比，該算法平均絕對(duì)誤差分別下降了1. 07%和0.06%，而且隨著數(shù)據(jù)規(guī)模的擴(kuò)展，通過增加集群節(jié)點(diǎn)，算法運(yùn)行效率有相應(yīng)的提升。實(shí)驗(yàn)結(jié)果表明，該推薦算法可以有效地實(shí)現(xiàn)大規(guī)模數(shù)據(jù)的推薦，并能解決數(shù)據(jù)可擴(kuò)展性的問題。