【摘 要】
：
互联网时代,生活节奏加快,在线浏览与碎片化阅读成为人们日常获取信息的主要渠道之一。然而,当前大数据背景下的海量信息无法满足用户快速获取高质量、高价值信息的需求,因此文章推荐系统应运而生。本论文通过对在线教育平台业务进行大数据统计分析和信息搜集,设计并实现了一个文章推荐系统:基于个性化推荐技术对拟推荐结果进行分类排序,从而得出用户兴趣偏好,最终把推荐结果推送给相应用户。在推荐系统中,当用户以及推荐物
论文部分内容阅读
互联网时代,生活节奏加快,在线浏览与碎片化阅读成为人们日常获取信息的主要渠道之一。然而,当前大数据背景下的海量信息无法满足用户快速获取高质量、高价值信息的需求,因此文章推荐系统应运而生。本论文通过对在线教育平台业务进行大数据统计分析和信息搜集,设计并实现了一个文章推荐系统:基于个性化推荐技术对拟推荐结果进行分类排序,从而得出用户兴趣偏好,最终把推荐结果推送给相应用户。在推荐系统中,当用户以及推荐物品数目增大到一定程度时,将遇到可扩展性、冷启动、实时性等挑战。为解决这些问题,本论文设计并实现了文章推荐系统的召回算法、动态加权特征融合算法、排序算法,主要创新性工作总结如下:（1）设计了基于时间衰减的用户行为打分机制,以此构建高质量的用户画像,提高了推荐结果的准确性。（2）采用了多路召回策略,包括协同过滤召回、内容召回、实时计算召回、热门文章和新文章召回。实现时,离线模块采用Spark计算引擎,实时模块采用Flink计算引擎,提高了推荐系统的时效性和用户满意度。（3）提出了动态加权特征融合算法,将召回的候选集融合后作为Wide＆Deep算法的输入,以此训练排序算法模型。相较与未使用动态加权特征融合算法,改进之后的Wide＆Deep算法准确率提高了 11.2%。综上,论文设计并实现了文章推荐系统,提出了动态加权特征融合算法,结合Wide＆Deep算法作为推荐系统的推荐模型,其结果优于其他传统特征融合算法。采用优化后的模型作为线上使用模型,最终达到千人千面的用户推荐效果。
其他文献
随着中国经济的发展,中国的国际影响力不断提升,国际学生学习汉语的热情席卷全球。随着5G网络的普及,汉语教育的技术和形式也在逐渐多样化,特别是在新冠疫情期间,远程学习技术得到迅速推广和普及,逐渐成为一种主流的教学模式。毫无疑问,在线教育课程也将是未来国际中文教育发展的一大趋势。随着直播和视频娱乐的兴起,越来越多的汉语学习者开始利用新媒体视频直播平台学习汉语。作为中国年轻一代集中的文化社区和视频媒体平
随着信息时代的发展,数据规模迅速扩张,更多的企业选择将业务部署到分布式集群上。然而分布式存储系统的资源是有限的,因此根据系统的存储能力为不同的用户制定合理的服务规则是非常重要的。分布式存储系统面向用户的服务质量（Quality of Service,Qo S）技术大多是在发送端来直接实施I/O限流的,然而这种方式并不能感知系统存储节点的资源使用情况,因此难以保证在各种应用场景下所有用户的性能需求。
当今,数据量爆发式增长,不断涌现的内存计算型应用使用内存作为主要数据存储载体,以提升整体性能。然而,大容量内存存储通常面临两个方面的挑战:首先,内存部分失效、机器断电等故障会导致其上的数据不可用,需要通过系统级冗余机制保障数据的可用性,但是过高冗余导致性能和存储效率下降;其次,数据访问行为是动态变化的,静态数据布局难以适应。因此,内存存储系统需要在运行时根据工作负载变化动态地调整内存的数据冗余布局
容器是一种轻量级的虚拟化技术,相比于传统的虚拟机,容器具有更快的启动部署速度、更小的运行开销和更高的部署密度,在云计算中得到了广泛的运用。弹性资源管理是云计算平台的重要特性,其能够在不中断服务的情况下动态伸缩资源配置以响应负载请求的变化,从而可以在保证应用服务质量的同时提高资源利用率。但是,在容器环境下,现有弹性CPU资源管理机制存在明显不足。首先,容器内运行的应用程序无法感知容器CPU资源的弹性
工业以太网协议的引入使列车控制系统具有更高的开放性,有利于打破信息闭塞现状,提高轨道列车运营效率和司乘人员车厢体验,但同时也带来日益严峻的信息安全威胁,因此加强列车控制系统安全防护势在必行。入侵检测是列车控制系统信息安全防护的关键技术手段之一。当前列车控制系统存在流量规模迅猛增长、未知攻击频繁出现等现象,基于规则的误用检测技术无法有效识别未知攻击,而基于机器学习的异常检测技术存在真实列车网络通信数
基于对等网络（Peer to Peer,P2P）的分散式存储网络是Web3.0的重要内容载体与核心组成部件。但P2P的匿名性引入了女巫攻击,为对抗女巫攻击及其变种,分散式存储网络常使用栈式深度鲁棒图（Stacked Depth Roubust Graph,SDR）算法减缓数据副本转换。但SDR算法的执行过程中生成的中间数据会占用大量内存,成为闲置设备加入分散式存储网络以及多个转换过程并行执行的主要
机器学习等读密集型应用场景对存储系统读性能的需求不断提升,拥有高带宽、低时延以及高并发性的NVMe SSD逐渐成为构建高性能存储系统的重要设备。目前主流键值存储系统通常采用日志结构合并树（Log-Structured Merge Tree,LSM-Tree）作为数据索引,然而LSM-Tree受限于自身结构和低效的I/O（Input/Output）访问模式,难以充分发挥NVMe SSD的优势。因此,
计算性能远快于存储性能的发展,传统冯·诺依曼架构下的“存储墙”问题日益凸显。基于存算一体架构的可计算存储系统通过将计算资源卸载到离数据更近的存储设备内部减少数据迁移,以缓解“存储墙”问题,成为研究热点。然而现有可计算存储研究基于定制专用软硬件协同平台,各平台间硬件与软件系统实现高度不统一,缺乏通用编程接口与运行环境且扩展性较差,各平台互不兼容、接口协议互不相同,限制了对可计算存储应用的探索。针对可
特征压缩可以减少特征数据量,对缓解机器的存储压力、降低传输时的通信资源消耗具有重要意义。特征是神经网络中最基础的部分,对各项深度学习任务的最终结果起着关键作用,因此在保证特征表达效果的前提下减少特征的数据量成为特征压缩研究的重难点。已有的特征压缩算法大都将特征通道平铺成大型二维矩阵,针对通道内的冗余进行压缩,很少考虑通道间的冗余。另外在足球视频视觉任务中提取的深度特征数据量大,给机器带来很大的计算
随着大数据技术的高速发展,越来越多的应用需要高吞吐、低延迟的缓存存储系统支持——通常由内存键值存储系统构成,比如被大量企业所采用的Memcached。但是,在类似Memcached的分布式内存存储集群中,节点故障或网络拥塞频发,导致数据在内存集群中可靠性不足。这使得系统不得不频繁访问后台磁盘节点,从而导致存储服务性能的降低。因此,内存键值存储系统的高可靠性保障对存储系统整体性能起到关键作用。相较于