社會化網(wǎng)絡(luò)的并行化推薦算法

　　針對傳統(tǒng)的協(xié)同過濾算法在利用簽到記錄進(jìn)行興趣點(diǎn)（ POI）推薦時(shí)不能充分利用簽到信息所隱含的偏好、位置和社交網(wǎng)絡(luò)信息而損失準(zhǔn)確率的問題，以及傳統(tǒng)的單機(jī)串行算法在大數(shù)據(jù)處理能力上的弱勢，提出一種基于位置和朋友關(guān)系的協(xié)同過濾（ LFBCF）算法，以用戶歷史偏好為基礎(chǔ)，綜合考慮用戶社交關(guān)系網(wǎng)絡(luò)進(jìn)行協(xié)同過濾，并以用戶的活動范圍作為約束實(shí)現(xiàn)對用戶的興趣點(diǎn)推薦。為了支持大數(shù)據(jù)量的實(shí)驗(yàn)，將算法在Spark分布式計(jì)算平臺上進(jìn)行了并行化實(shí)現(xiàn)。研究過程中使用了Gowalla和Brightkite這兩個(gè)基于位置的社會化網(wǎng)絡(luò)數(shù)據(jù)集，分析了數(shù)據(jù)集中簽到數(shù)量、簽到位置之間距離、社交關(guān)系等可能對推薦結(jié)果造成影響的因素，以此來支持提出的算法。實(shí)驗(yàn)部分通過與傳統(tǒng)的協(xié)同過濾算法等經(jīng)典算法在準(zhǔn)確率、F-measure上的對比驗(yàn)證了算法在推薦效果上的優(yōu)越性，并通過并行算法與單機(jī)串行算法在不同數(shù)據(jù)規(guī)模上加速比的對比驗(yàn)證了算法并行化的意義以及性能上的優(yōu)越性。