论文部分内容阅读
互联网的快速发展给人们的生活和工作带来了巨大的便利,但是Web上的海量信息也产生了“信息泛滥”的问题。如何构建行之有效的个性化推荐系统,快速高效地分析出用户的个性化行为模型,为用户推荐出他们真正喜欢的信息内容,是目前各大商业化网站的重要研究内容之一。但是,研究人员在开发基于用户个性化需求的Web推荐系统的过程中遇到了以下两个主要问题:第一,需要提高个性化推荐算法的准确性,保证推荐的结果确实是用户当前需要的信息;其次,需要优化推荐系统的执行效率,加快算法执行速度,为用户提供接近于实时的个性化推荐服务。本文对传统的基于内容的推荐算法和基于条目的协同过滤算法进行分析,在社会化内容标签的基础上,设计出了一种新的混合型的推荐方法,同时在CUDA(Compute UnifiedDevice Architecture,统一计算设备架构)体系下利用GPU(Graphic Processing Unit,图形处理器)对算法进行了多方面的优化。本文用这种混合型的推荐算法在MovieLens提供的数据集上进行了用户的个性化推荐,实验结果表明,与其他几种实现的推荐算法相比较,本文的算法在整体预测评分的平均绝对误差上拥有更小的误差值,在给用户提供的个性化推荐结果方面,这种混合型的推荐算法对推荐结果的预测更为准确合理,同时,随着用户规模和资源条目规模的扩大,此方法在大规模用户和资源条目的实验环境下可以获得更好的加速比。所以,这种混合型的推荐算法可以为大规模的商业化系统提供一种快速有效的个性化推荐解决方案。