羅新

(韓山師范學院計算機與信息工程學院，潮州521041)

0 引言

隨著網(wǎng)絡信息量的不斷增長，人們從互聯(lián)網(wǎng)獲取自己感興趣信息變得越來越困難。于是各種個性化推薦系統(tǒng)相繼產(chǎn)生。但是對于傳統(tǒng)的運行于單機模式的推薦算法，在面臨海量用戶數(shù)據(jù)的時候，在可行性、效率上都變得越來越不適應。所以必須開發(fā)出能對大數(shù)據(jù)進行并行計算處理的個性化推薦平臺[1-2]。

Hadoop[3]作為開源的并行計算機平臺，提供了HDFS和MapReduce兩大核心功能。HDFS是分布式存儲系統(tǒng)，可以冗余存儲海量的數(shù)據(jù)。而MapReduce則是構(gòu)建在HDFS上的分布式并行計算架構(gòu)。

本文在開發(fā)的陶瓷信息網(wǎng)站的基礎上，根據(jù)用戶對網(wǎng)站的訪問日志，對產(chǎn)品的關注度、評分，以及發(fā)布的產(chǎn)品供需等信息，對它們進行預處理后，得到一個用戶對產(chǎn)品的興趣度文件，然后在Hadoop平臺上運行推薦算法進行計算，最后得出一個產(chǎn)品推薦列表。

1 網(wǎng)站數(shù)據(jù)處理

陶瓷信息聚合平臺網(wǎng)站是一個前端采用BootStrap框架，應用HTML5、AJAX、jQuery等相關技術，后臺采用Struts+Hiberate+Spring框架技術的網(wǎng)站。系統(tǒng)的功能包括：用戶注冊與管理，陶瓷產(chǎn)品的上架與展示，供求信息的發(fā)布，各類信息的搜索等功能。網(wǎng)站的布局如圖1所示。

圖1 陶瓷信息聚合平臺網(wǎng)站界面

為了獲取用戶對產(chǎn)品的興趣度文件，可以對幾種數(shù)據(jù)源進行處理。一種是用戶訪問日志文件，另一種是保存在數(shù)據(jù)庫中的用戶對產(chǎn)品的評分、用戶發(fā)布的供需信息等。

為了更深入的了解網(wǎng)站訪客的使用習慣，可以對網(wǎng)站的訪問日志進行分析。例如下面一條是Tomcat服務器上記錄的訪問日志的信息。

127.0.0.1--[01/Nov/2017:13:37:09+0800]"GET/cz_ceramics/images/product/no-photo.jpg HTTP/1.1"200 77537 http://localhost:8080/cz_ceramics/chances_findAll.action?page=1 Mozilla/5.0（Windows NT 6.1;Win64;x64）AppleWebKit/537.36（KHTML,likeGecko）Chrome/61.0.3163.100 Safari/537.36，其表達的信息如表1所示。

表1 日志字段信息

通過日志分析，可以統(tǒng)計出一個用戶的對某個產(chǎn)品頁面的訪問頻度。而用戶對某種產(chǎn)品的評分或者是否進行了評論，可以從另一個側(cè)面反映了用戶對該產(chǎn)品的興趣度。用戶如果對某件產(chǎn)品發(fā)布了供貨或者需求信息，這足以證明用戶對該產(chǎn)品具有高興趣度。最后綜合這三個方面，給每一個維度一個權值，綜合計算出一個用戶對某件產(chǎn)品的興趣度。興趣度的值由0至5，以0.5相隔，即分為11個等級。用戶興趣度文件是由格式為行組成。用戶名及產(chǎn)品名都用一個唯一的數(shù)值ID進行替代。

2 用戶推薦算法

在Hadoop平臺根據(jù)用戶興趣度文件計算推薦列表，需要進行如下五步。

Step1:生成用戶興趣度向量，它的格式是,……>，它表示對于某一個產(chǎn)品，所有用戶對它的評分。

Step2:計算產(chǎn)品與產(chǎn)品之間的相似度。根據(jù)第一步的輸出的評分矩陣，對Item與Item之間相似度進行計算。這里我們采用余弦相似度計算公式，公式如下：

Itemi表示所有用戶對ID為i的產(chǎn)品的評分向量，其形式為。通過運算，最后得出Item的相似度矩陣。

Step3:對第一步生成的用戶興趣度矩陣進行轉(zhuǎn)置，得到矩陣的行向量的形式為,……>。

Step4:用第二步輸出的Item相似度矩陣乘以第三步輸出的用戶興趣度矩陣。就可以得到用戶對于那些并未評分產(chǎn)品的推薦度。原理就是用戶已經(jīng)對某些產(chǎn)品進行評分，而其它沒有評分的項目可以根據(jù)與那些已經(jīng)評分的產(chǎn)品的相似度，得到一個推薦的分值。

Step5:對第四步產(chǎn)生的推薦矩陣與第三步的輸出矩陣進行對比，對那些用戶已經(jīng)評分的Item，在對應的矩陣位置0，然后再對Item按分值按從高到低進行排序，就可以為用戶生成對應的推薦產(chǎn)品Top n列表。

以上的每一步都可以用一個MapReduce作業(yè)來實現(xiàn)。例如第一步的輸入是一個用戶評分文件，Map/Reduce的流程可表示如下：

Map:→

Reduce:→

下面是第二步實現(xiàn)的Map過程的核心代碼：try

{

String row_matrix1=value.toString（）.split（" "）[0];

String[]column_value_array_matrix1=value.toString（）.split（" "）[1].split（","）;

double denominator1=0;

for（String column_value:column_value_array_matrix1）

{

String score=column_value.split（"_"）[1];

denominator1+=Double.valueOf（score）*Double.valueOf（score）;

}

denominator1=Math.sqrt（denominator1）;

for（String line:cacheList）

{

String row_matrix2=line.toString（）.split（" "）[0];

String[]column_value_array_matrix2=line.toString（）.split（" "）[1].split（","）;

for（String column_value:column_value_array_matrix2）

{

String score=column_value.split（"_"）[1];

denominator2+=Double.valueOf（score）*Double.valueOf（score）;

}

denominator2=Math.sqrt（denominator2）;

double numerator=0;

for（String column_value_matrix1:column_value_array_matrix1）

{

根據(jù)形勢任務的需要，結(jié)合轄區(qū)地理位置和氣候條件，密切關注轄區(qū)社會動態(tài)，按照“組織健全，訓練有素，規(guī)模適當，反應迅速”的要求，建立民兵應急隊伍，提升應急分隊“平時服務、急時應急、戰(zhàn)時應戰(zhàn)”的能力。針對“人員分散集中難、外出務工在位少、崗位職責協(xié)調(diào)難”等現(xiàn)實問題，按照“專業(yè)對口、因地制宜、就地取材、就近支援”的原則，及時調(diào)整優(yōu)化結(jié)構(gòu)，確保配齊建強應急隊伍。

String column_matrix1=column_value_matrix1.split（"_"）[0];

Stringvalue_matrix1=column_value_matrix1.split（"_"）[1];

for（String column_value_matrix2:column_value_array_matrix2）

{

if（column_value_matrix2.startsWith（column_matrix1+"_"））

{

String value_matrix2=column_value_matrix2.split（"_"）[1];

numerator+=Double.valueOf（value_matrix1）*Double.valueOf（value_matrix2）;

}

}

}

double cos=numerator/（denominator1*denominator2）;

if（cos==0）

{

continue;

}

outKey.set（row_matrix1）;

outValue.set（row_matrix2+"_"+df.format（cos））;context.write（outKey,outValue）;

在主函數(shù)中，首先把第一步的輸出添加到HDFS的cache上，然后在Mapper類的setup方法中，把cache文件上的數(shù)據(jù)讀入到ArrayList類型變量cacheList中。而第二步的Job的Map過程的Input文件也是第一步的輸出。通過計算兩個矩陣每一行之間的余弦相似度，最終得到Item相似度矩陣。

3 實驗設計與分析

為了證明推薦算法的可行性，我們架設了一個具有1個NameNode,5個DataNode的Hadoop完全分布式平臺。其中DataNode的硬件配置為Intel Core i7 4790，內(nèi)存5G。Hadoop平臺版本為2.5.4。經(jīng)過數(shù)據(jù)預處理后，生成用戶興趣度文件，其行格式為。在Linux下用shuf命令截取4.29M大小的數(shù)據(jù)集，里面有30萬條用戶評分記錄，不同的item總數(shù)為11589個，不同的user總數(shù)為89649個，用戶評分次數(shù)的平均值為3.35次。表2是算法各個階段的Job的輸出文件大小，運行時間。

表2 算法各個階段的運行狀況

通過分析表2的數(shù)據(jù)，我們可以看出對于一個較小的輸入數(shù)據(jù)集，算法最終會都會產(chǎn)生一個較大的數(shù)據(jù)輸出。尤其是在Step4中，是計算用戶對各個Item的興趣度，它的輸入是Step2及Step3的輸出，這是相當于兩個維度分別為[89649,11589]的矩陣相乘，所以輸入數(shù)據(jù)集大小為22.6M，輸出卻為1.4G。從運行過程來看，小數(shù)據(jù)集并且算法運算密集度大的作業(yè)運行在Hadoop平臺上并無優(yōu)勢。因為涉及到數(shù)據(jù)分片、容器分配的問題，Hadoop平臺運行小數(shù)據(jù)集，并不能發(fā)揮集群的最佳性能。對于Step5的運算，它把Step1和Step4的輸出作來輸入，對用戶的興趣度進行篩選，去除用戶已經(jīng)評分過的項目，剩下的就是用戶以前沒有評分過的Item的推薦度。因為Step5運算的輸入是較大的數(shù)據(jù)集（1.4G），這時Hadoop平臺會對數(shù)據(jù)自動分片，一共創(chuàng)建11個Container。通過觀察各個數(shù)據(jù)結(jié)點CPU、內(nèi)存、文件I/O的占用率，可以看到集群運算能力的利用率得到了很大的提高。這說明應用Hadoop平臺運行推薦算法處理大數(shù)據(jù)集是具有可行性的，而且能發(fā)揮性能上優(yōu)勢。

4 結(jié)語

本文在開發(fā)的陶瓷信息網(wǎng)站的基礎上，通過用戶訪問日志、用戶發(fā)布的相關信息的基礎上，整理出用戶對產(chǎn)品的興趣度文件，然后在Hadoop平臺上運行推薦算法，得到為用戶推薦的產(chǎn)品列表。為了更好利用Hadoop平臺進行推薦算法的運算，應該在Hadoop平臺參數(shù)調(diào)優(yōu)，推薦算法的改進等方面進行加強，這是下一步的努力方向。

[1]肖強,朱慶華.Hadoop環(huán)境下的分布式協(xié)同過濾算法設計與實現(xiàn)[J].現(xiàn)代圖書情報技術,2013（1）:83-89.

[2]魏曉航.大數(shù)據(jù)平臺下的互聯(lián)網(wǎng)廣告點擊率預估模型[J].計算機工程與設計，2017，38（9）:2504-2508.

[3]Tom White.Hadoop權威指南[M].華東師范大學數(shù)據(jù)科學與工程學院.譯.北京：清華大學出版社