ارایه ی الگوریتمی مقیاس پذیر برای سیستم های توصیه گر اجتماعی مبتنی بر اسپارک

در عصر کلان داده، روز به روز بر محبوبیت سیستم های توصیه گر افزوده می شود. سیستم های توصیه گر برنامه هایی هستند که روش های کشف دانش را برای ایجاد توصیه های شخصی سازی شده، به کار می برند. سیستم های توصیه گر آگاه از اعتماد، از داده های شخصی کاربران و اطلاعات مربوط به اعتماد میان آن ها برای غلبه بر مشکلات روش های مبتنی بر پالایش گروهی استفاده می کنند. با این حال خیلی از سیستم های توصیه گر مقیاس پذیری لازم برای پردازش حجم عظیمی از داده ها را ندارند.بنابراین ما در این مقاله با انتخاب یکی از سیستم های توصیه گر مبتنی بر اجتماع و آگاه از اعتماد، یک سیستم توصیه گر مقیاس پذیر با استفاده از چارچوب پردازش موازی اسپارک ارایه می کنیم. در این سیستم دوستان بالقوه در شبکه بر اساس ترکیبی از مقادیر شباهت و اعتمادشان، به کاربر هدف پیشنهاد می شوند. آزمایش های انجام شده روی مجموعه ی داده ای Flixter نشان می دهد که الگوریتم ارایه شده دارای مقیاس پذیری بالایی است.

کلیدواژه ها:

سیستم های توصیه گر ، اسپارک ، کلان داده ، شبکه های اجتماعی ، اعتماد ، روش های خلاصه سازی ، مقیاس پذیری