赵昌旭 张永康

摘  要：在如今大数据的时代，推荐系统的应用十分广泛和频繁。常用的推荐系统一般是基于协同过滤算法构建用户—评分矩阵，计算相关度来进行精准推荐的。这其中又可分为基于用户的协同过滤算法和基于物品的协同过滤算法。随着互联网数据的日益增加，基于物品的协同过滤算法因其高效率、高精度、低资源开销等特性而被广泛应用。

关键词：协同过滤算法;大数据;信息过载;Pearson相似度;用户—评分矩阵;数据价值密度;余弦相似度;归一化;

Abstract：In today's era of big data，the application of recommendation systems is very extensive and frequent. The commonly used recommendation system is generally based on the collaborative filtering algorithm to construct a user-score matrix，and the correlation is calculated to accurately recommend. These can be further divided into a user-based collaborative filtering algorithm and an item-based collaborative filtering algorithm. With the increasing Internet data，the item-based collaborative filtering algorithm is widely used due to its high efficiency，high precision，low resource overhead and other characteristics.

Keywords：Collaborative filtering algorithm;Big Data;Information overload;Pearson similarity;User-score matrix;Data value density;Cosine similarity;Normalized

1.引言

大数据背景下的互联网中，信息量十分庞大。这不仅造成了信息的价值密度下降，而且还导致了信息处理的效率降低，从而产生了“信息过载”问题。推荐系统正是解决“信息过载”问题的一种有效手段。推荐系统应用十分广泛且带来的价值十分可观。其常用的算法就是协同过滤算法，这其中包含Pearson算法：即建立用户—评分矩阵，数值归一化，余弦相似度计算等步骤。本文以此为基础，建立了一个基于协同过滤算法的职位推荐系统。在提高算法执行效率的基础之上，保证推荐的准确性。

2.准备职位

搭建环境：实验平台可采用Python或Java，其中：Python可采用ANACONDA集成开发环境、Numpy模块以及Jupyter Notebook平臺。Java可采用jdk1.8、Eclipse及Ejml（Efficient Java Matrix Library）矩阵运算包等。本文采用python来进行系统的模拟。

3.基于协同过滤算法的职位推荐系统的构建和模拟

3.1构建用户—评分矩阵

现创建一的二维矩阵E，以此为用户—评分矩阵，如图（1）所示，用以代表不同用户以及不同的职位。……