倪满满

(1．武汉邮电科学研究院,湖北 武汉 430074； 2.南京烽火软件科技有限公司,江苏 南京 210019)

0 引 言

信息过载问题在网络及电子商务的普及下变得愈加严重。推荐系统可以根据用户的基本信息及历史行为挖掘出用户所需信息并主动向用户或者物品提供个性化推荐服务。推荐系统发展至今已经拥有20多年的历史[1]，因其庞大的应用需求，推荐系统已经得到了广泛的关注。推荐系统是解决信息过载的一种重要手段。目前信息推荐的方法主要包括：混合推荐方法、基于内容的推荐方法和协同过滤推荐方法[2]，其中协同过滤方法是推荐系统中推广最成功和应用最广泛的推荐方法之一。

近年来对协同过滤推荐算法的研究如火如荼；在2013年、2015年国外著名学者Aberer等人[3]和Ma等人[4]分别从相似度计算和数据来源单一入手提高推荐系统的准确性，同时在这其间国内著名学者韩立新和马兆才提出一种全新的策略：引入自适应信任算法[5]和自组织神经网络(SOM)[6]来改进协同过滤推荐算法，提高推荐系统的准确性。以上对推荐系统的研究，都有效地推动了协同过滤推荐算法的发展，但是并未考虑推荐系统的时效性问题。本文将从时效性和准确性两方面进行推荐系统的研究。

在解决时效性问题时，考虑到在单节点上实现这些方法，计算速度变得非常慢，时延也较长、时效性差[7]，本文采用多节点的分布式系统并行化实现方法，并对比分析目前主流的分布式计算平台Hadoop和Spark，选择时效性较高的实现方式，设计时效性较高的推荐系统，提高推荐系统的时效性。……