社會化網(wǎng)絡的并行化推薦算法

　　針對傳統(tǒng)的協(xié)同過濾算法在利用簽到記錄進行興趣點（ POI）推薦時不能充分利用簽到信息所隱含的偏好、位置和社交網(wǎng)絡信息而損失準確率的問題，以及傳統(tǒng)的單機串行算法在大數(shù)據(jù)處理能力上的弱勢，提出一種基于位置和朋友關系的協(xié)同過濾（ LFBCF）算法，以用戶歷史偏好為基礎，綜合考慮用戶社交關系網(wǎng)絡進行協(xié)同過濾，并以用戶的活動范圍作為約束實現(xiàn)對用戶的興趣點推薦。為了支持大數(shù)據(jù)量的實驗，將算法在Spark分布式計算平臺上進行了并行化實現(xiàn)。研究過程中使用了Gowalla和Brightkite這兩個基于位置的社會化網(wǎng)絡數(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、社交關系等可能對推薦結果造成影響的因素，以此來支持提出的算法。實驗部分通過與傳統(tǒng)的協(xié)同過濾算法等經(jīng)典算法在準確率、F-measure上的對比驗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串行算法在不同數(shù)據(jù)規(guī)模上加速比的對比驗證了算法并行化的意義以及性能上的優(yōu)越性。