[发明专利]基于Hadoop开发的网络商城推荐系统

说明书

本发明针对传统的商城系统的推荐功能不够全面，性能实用低等方面，使用Hadoop技术设计的网络商城推荐系统；该系统运用MapReduce框架的算法的伸缩性和分布式并行计算能力，使系统能对大规模的数据进行高效的分析;通过结合不同的推荐引擎来解决冷启动和数据稀疏引起的推荐效果不佳的问题,让系统具有高伸缩性、灵活性和多样性。

技术领域

本发明是一种互联网技术领域，特别涉及Hadoop技术开发完成的网络商城推荐系统。

背景技术

随着电子商务的快速发展，其中推荐系统通过模拟智能销售导购的角色，能够为电子商务网站和商城的用户提供产品信息，完成购物过程；它能促进一对一的销售，可以为电子商务系统提供更加智能化和个性化的购物体验，最终提升用户满意度;通过Hadoop技术开发的商城推荐系统可以更好的满足人们的使用需求。

发明内容

系统的总体设计

1.数据模型层:数据模型层包括用户模型和产品模型，其中用户模型由用户基础资料、用户行为和用户信用等内容构成;产品模型包括产品元数据和反馈评价信息等;通过数据访问层对原始数据进行抽取和解析，可以获得用户属性集和产品属性集，进而生成用户特征向量和产品特征向量；

2.数据访问层:数据系统的核心，同时也是算法和模型的处理对象;整合异构、多源、多类型的原始业务数据，并从中抽取用户和产品特征，能有效地提高推荐的准确性;同时，该层还需要负责对来自Hadoop集群的大规模数据分析后得到的结果进行解析;因此，该层实现了业务计算环境和集群计算环境之间的数据迁移;

3.推荐引擎层:该层是整个系统的核心，它将算法和策略包装成功能独立的推荐引擎，通过调用算法策略层的算法对数据模型完成相似度计算、偏好预测和关联分析等计算任务;由于电子商务系统中的推荐需求通常是多样化的，每一种推荐需求通常可以使用一种引擎来实现;设计独立的推荐引擎层允许整合更多的推荐引擎，从而实现功能上的扩展;

4.应用层:位于最顶层，是用户与系统交互的接口，包含常见的配置、管理、交互和展示功能;其允许配置混合模型的参数和混合方式，保证了推荐系统的灵活性;

5.算法策略层:通用的、经典的算法通常都比较抽象，较少考虑实际的系统需求和业务需求，例如它对鲁棒性和基于应用特性或数据特性的性能调优等方面的关注较少，因此它们和具体的产品形态之间的差距较大;策略主要体现业务需求，它充当驱动器的角色，能够把业务规则封装起来提供给上层; 算法策略层处于数据模型和推荐引擎层之间，以独立层的形式存在，这样允许整合更多数据分析算法。