● 摘要
推荐系统是当前电子商务领域的研究热点，也预示了互联网未来发展方向。本文主要围绕推荐系统算法和云计算的关键技术进行研究，并实现初步的web电影推荐系统验证平台。首先，研究传统的协同过滤推荐算法。协同过滤是一种使用群体智慧的算法，它的优越性体现在无需了解物品的属性信息，对不同种类的物品有广泛的普适性。本文在此基础上，更将上下文信息引入，极大提高了协同过滤算法的准确度。
其次，研究基于内容的推荐算法。本章讨论基于内容的推荐，关注的算法侧重于推荐文本描述的物品，并能自动“学习”用户记录。首先是向量空间模型和TF-IDF算法，然后研究基于监督学习的ItemKNN算法。
再次，电子商务会产生一个交易数据库,关联规则描述的就是交易中各个不同项的相关性或并发关系。经典的关联挖掘算法有Apiori和FP-Growth算法。本文将对FP-Growth算法进行易于并行化的改进。改进后的算法在时间复杂度上大大降低。
然后，研究混合推荐算法，它将已知的推荐算法进行混合。过去很少有理论方面的研究关注如何设计混合算法。本文将提出一种有效的混合理论框架。可以概括成三种基本设计思路：整体式、并行式和流水线式。没有一种单独的混合方法能够适用于所有的环境，不过所有的基本算法都能够通过和其他方法进行混合得到进一步的提高。
最后，将云计算技术运用于推荐系统，分析分布式推荐系统的关键技术。分布式技术让推荐引擎的计算规模得以扩展。Mapreduce是流行的分布式计算框架。本文将逐一分析mapreduce的几个阶段，并给出一个完整的web电影推荐系统的设计方案。在本项目电影推荐系统中，采用了MovieLens数据集，系统可以记住访问者评分过的电影，从而预测出他可能感兴趣的其他电影。