0 引言

　　互聯(lián)網(wǎng)和電子商務(wù)的迅猛發(fā)展已經(jīng)把人們帶入了一個(gè)信息爆炸的時(shí)代，商品種類和數(shù)量的快速增長(zhǎng)，使得顧客花費(fèi)了大量的時(shí)間瀏覽無(wú)關(guān)的信息，個(gè)性化推薦系統(tǒng)作為解決信息過(guò)載的方法應(yīng)運(yùn)而生，被廣泛的應(yīng)用到了當(dāng)前的電子商務(wù)系統(tǒng)[1]。而基于協(xié)同過(guò)濾的推薦算法無(wú)疑是最廣泛使用的算法[2]，其主要分為基于用戶（User-based）和基于商品(Item-based)的推薦算法[3]?；谟脩舻膮f(xié)同過(guò)濾算法主要通過(guò)計(jì)算用戶之間的相似性，通過(guò)對(duì)與目標(biāo)用戶相似性較高的用戶對(duì)商品的評(píng)價(jià)信息從而推薦給目標(biāo)用戶?；陧?xiàng)目的協(xié)同過(guò)濾算法則是查找項(xiàng)目之間的相關(guān)性。但是在電子商務(wù)網(wǎng)站當(dāng)中，用戶評(píng)分?jǐn)?shù)據(jù)不會(huì)超過(guò)項(xiàng)目總數(shù)的百分之一[4]，稀疏性以及實(shí)時(shí)性都是急需解決的問(wèn)題。

　　針對(duì)推薦實(shí)時(shí)性問(wèn)題，文獻(xiàn)[5]在Hadoop平臺(tái)上實(shí)現(xiàn)了User-based并行協(xié)同過(guò)濾推薦算法；文獻(xiàn)[6]在Hadoop平臺(tái)上實(shí)現(xiàn)了Item-based協(xié)同過(guò)濾推薦算法，其時(shí)間復(fù)雜度為O(n2m2)；燕存[7]針對(duì)其時(shí)間復(fù)雜度過(guò)高的問(wèn)題，提出了一種改進(jìn)的Item-based協(xié)同過(guò)濾推薦算法。針對(duì)數(shù)據(jù)稀疏性問(wèn)題，王雪蓉[8]研究了將用戶行為關(guān)聯(lián)聚類以實(shí)現(xiàn)更好的推薦效果，任帥[9]基于用戶行為模型和蟻群聚類以實(shí)現(xiàn)更合理的推薦。Spark作為一個(gè)新的開(kāi)源集群計(jì)算框架，其基于內(nèi)存計(jì)算以及粗粒度的RDD機(jī)制非常適合于迭代型的計(jì)算。本文針對(duì)推薦實(shí)時(shí)性以及數(shù)據(jù)稀疏性問(wèn)題，基于Spark平臺(tái)，提出一個(gè)分層的協(xié)同過(guò)濾推薦算法。

1 Spark相關(guān)技術(shù)

　　Spark作為一個(gè)分布式框架，它支持內(nèi)存計(jì)算、多迭代處理、流處理與圖計(jì)算多種范式，非常適合于各種迭代算法和交互式數(shù)據(jù)分析，Spark的核心抽象模型是RDD（彈性分布式數(shù)據(jù)集），基于RDD，Spark提供了一個(gè)非常容易使用的編程接口。

　　1.1 彈性分布式數(shù)據(jù)集

　　RDD是不可變的，RDD一旦創(chuàng)建就沒(méi)有辦法對(duì)其進(jìn)行更改，但是卻能創(chuàng)建出新的RDD。其次，RDD的不可變性使得Spark提供了高效的容錯(cuò)機(jī)制，由于每個(gè)RDD都保留有計(jì)算至當(dāng)前數(shù)值的全部歷史記錄，而且其他進(jìn)程無(wú)法對(duì)其作出更改。因此，當(dāng)某個(gè)節(jié)點(diǎn)丟失數(shù)據(jù)時(shí)，只需要對(duì)該節(jié)點(diǎn)的RDD重新計(jì)算即可，并不影響其他節(jié)點(diǎn)的運(yùn)行。RDD機(jī)制如圖1所示。

　　1.2 Spark應(yīng)用程序框架

　　Spark Application的運(yùn)行架構(gòu)由兩部分組成：driver program(SparkContext)和executor。Spark Application一般都是在集群中運(yùn)行，如standalone、yarn、mesos等。在這些集群當(dāng)中提供了計(jì)算資源和資源管理，這些資源即可以給executor執(zhí)行，也可以給driver program運(yùn)行。根據(jù)driver program 是否在集群中，SparkContext又可以分為cluster與client模式。Spark應(yīng)用程序框架如圖2所示。

　　2 用戶偏好模型

　　定義1(用戶偏好集合)將用戶在網(wǎng)站瀏覽行為中的平均訪問(wèn)時(shí)間、點(diǎn)擊數(shù)目、購(gòu)買數(shù)目、點(diǎn)擊收藏比、點(diǎn)擊加入購(gòu)物車、平均收藏與購(gòu)買間隔以及平均點(diǎn)擊與購(gòu)買間隔7種特征構(gòu)成用戶偏好集和：IA={A1，A2，A3，…，A7}。

　　為了構(gòu)建用戶偏好模型，需要為用戶偏好集合中不同的特征賦予不同的權(quán)值，以便區(qū)分不同特征對(duì)模型的貢獻(xiàn)程度，如表1。

　　表1中的7種偏好特征從不同程度上代表了用戶的行為習(xí)慣，為每一種偏好特征賦予一個(gè)權(quán)值，從而得出的用戶偏好模型如下：

　　使用熵權(quán)法[10]來(lái)確定每一個(gè)偏好特征的權(quán)值，它通過(guò)統(tǒng)計(jì)的方法處理后獲得權(quán)重。將用戶ui的偏好特征表示成n×7階矩陣B=(bij)n×7，其中bij表示用戶i第j個(gè)特征的值。熵權(quán)法的計(jì)算過(guò)程如下：

　　(1)標(biāo)準(zhǔn)化數(shù)據(jù)處理，如式（2）、式（3）：

　　通過(guò)以上方法便可計(jì)算出用戶偏好模型中每一種偏好特征的權(quán)值。

　　3 并行化EM算法

　　期望最大化（EM）算法是在模型中尋找參數(shù)的最大似然估計(jì)或者最大后驗(yàn)估計(jì)的算法，它從一個(gè)最初的假設(shè)開(kāi)始，迭代計(jì)算隱藏變量的期望值。再重新計(jì)算極大似然估計(jì)，直到收斂于一個(gè)局部最大似然估計(jì)。算法的實(shí)現(xiàn)過(guò)程如下：

　　(1)估計(jì)參數(shù)：利用式（5）將每個(gè)對(duì)象xi指派到對(duì)應(yīng)的用戶簇中。

　　其中，p(xi|Ck)=N(k，E(xi))服從方差為E(xi)、期望為k的正態(tài)分布，參數(shù)估計(jì)是對(duì)每一個(gè)用戶簇計(jì)算對(duì)象的隸屬概率。

　　(2)最大化：利用上一步驟的結(jié)果重新估計(jì)參數(shù)以使針對(duì)給定數(shù)據(jù)的分布似然最大化。

　　(3)重復(fù)以上步驟直到參數(shù)收斂，聚類過(guò)程完成。

　　為了實(shí)現(xiàn)EM算法的并行化，首先將用戶偏好模型數(shù)據(jù)劃分到集群上的每一個(gè)節(jié)點(diǎn)，即將用戶劃分成 M個(gè)組：U1，… UM，每一組用戶為一張二維關(guān)系表，行為用戶實(shí)例，列為偏好特征值，并行化算法如下：

　　(1)Combine users，分別在不同的結(jié)點(diǎn)計(jì)算任意兩個(gè)用戶的相似度，并將相似度高的兩個(gè)類別合并成一個(gè)類別；

　　(2)Compute similarity，根據(jù)式（6）計(jì)算每一個(gè)類別的相似性；

　　(3)Shufflle，全局hash劃分類別；

　　(4)Checkpoint，將不同類別緩存到內(nèi)存中；

　　(5)Recycle ,根據(jù)式（7）對(duì)參數(shù)求精，并重復(fù)此過(guò)程，直到完成聚類；

　　(6)Clean,清除中間數(shù)據(jù)，并將結(jié)果按類別存儲(chǔ)在不同計(jì)算節(jié)點(diǎn)上。

4 并行化協(xié)同過(guò)濾算法

　　Item-based協(xié)同過(guò)濾將一個(gè)用戶所購(gòu)買的商品推薦其匹配的相似商品，即將所有用戶對(duì)購(gòu)買的商品的評(píng)價(jià)作為一個(gè)向量，通過(guò)向量計(jì)算物品之間的相似度。用U對(duì)商品i與商品j共同評(píng)價(jià)的用戶集合，則它們之間的相似度sim(i，j)可通過(guò)Pearson相關(guān)系數(shù)計(jì)算：

　　將用戶評(píng)分?jǐn)?shù)據(jù)文件存放在HDFS上，每一行數(shù)據(jù)代表一個(gè)用戶的歷史購(gòu)買項(xiàng)目記錄，詳細(xì)算法如下：

　　(1)data=sc.textFile(“hdfs://”)，加載數(shù)據(jù)，每行數(shù)據(jù)代表一個(gè)用戶的歷史購(gòu)買項(xiàng)目記錄；

　　(2)getItemsAndRatings(data，items，ratings，len)，劃分?jǐn)?shù)據(jù)，獲取到所有項(xiàng)目及評(píng)分存入items數(shù)組與ratings數(shù)組中；

　　(3)(item_a，item_b)=zip(items 1 to len)，將項(xiàng)目?jī)蓛山M成對(duì)；

　　(4)(ratings_a，ratings_b)=zip(ratings 1 to len)；

　　(5)shuffle ,全局hash劃分?jǐn)?shù)據(jù)，將相同項(xiàng)目對(duì)劃分到同一個(gè)結(jié)點(diǎn)；

　　(6)Compute Pearson()，由式(8)計(jì)算兩項(xiàng)目之間的相似度；

　　(7)readItem(key，item1，item2)，從項(xiàng)目對(duì)中解析出兩個(gè)項(xiàng)目；

　　(8)Shuffle，將包含某一項(xiàng)目的所有項(xiàng)目劃分到同一個(gè)結(jié)點(diǎn)中；

　　(9)Cache(key，value)，緩存項(xiàng)目及其相似度列表；

　　(10)Prediction()，預(yù)測(cè)未購(gòu)買商品的評(píng)分；

　　(11)saveAsTextFile()，輸出并存儲(chǔ)用戶推薦商品列表。

5 基于Spark分層協(xié)同過(guò)濾推薦算法

　　在執(zhí)行算法之前，首先需要將數(shù)據(jù)集加載到HDFS文件系統(tǒng)中，首先Spark會(huì)生成一個(gè)SparkContext全局常量，將基于SparkContext從HDFS上讀取數(shù)據(jù)，textFile()這個(gè)函數(shù)有助于從HDFS上讀取數(shù)據(jù)并形成一行一行為基礎(chǔ)的RDD?？梢允褂胏ache將數(shù)據(jù)加載到內(nèi)存以便重復(fù)使用。詳細(xì)算法實(shí)現(xiàn)如下：

　　(1)準(zhǔn)備：搭建Hadoop與Spark集群，并將數(shù)據(jù)存放到HDFS；

　　(2)由用戶行為計(jì)算偏好特征權(quán)值；

　　(3)存儲(chǔ)用戶偏好特征數(shù)據(jù)；

　　(4)并行EM算法對(duì)用戶聚類；

　　(5)將不同用戶簇存放不同結(jié)點(diǎn)；

　　(6)將用戶－評(píng)分?jǐn)?shù)據(jù)存入相同用戶結(jié)點(diǎn)，數(shù)據(jù)本地性；

　　(7)并行運(yùn)行協(xié)同過(guò)濾算法；

　　(8)預(yù)測(cè)用戶－商品評(píng)分；

　　(9)形成推薦列表并保存。

6 實(shí)驗(yàn)及分析

　　在實(shí)驗(yàn)集群當(dāng)中，有一個(gè)master節(jié)點(diǎn)、3個(gè)slaves節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)的內(nèi)存為8 GB，2核。集群當(dāng)中安裝的是Hadoop2.4.1與Spark1.3.0版本。程序采用IntelliJ集成開(kāi)發(fā)環(huán)境完成，本實(shí)驗(yàn)主要實(shí)現(xiàn)了基于Spark的分層協(xié)同過(guò)濾算法并與基于MapReduce的并行算法的對(duì)比。

　　(1)準(zhǔn)確率、時(shí)間復(fù)雜度分析

　　實(shí)驗(yàn)一數(shù)據(jù)采用阿里巴巴云平臺(tái)的天池?cái)?shù)據(jù)，總共十萬(wàn)多條行為記錄，MapReduce使用并行Item-based協(xié)同過(guò)濾算法，Spark使用分層協(xié)同過(guò)濾推薦算法，實(shí)驗(yàn)結(jié)果如表2所示。

　　從表1可以看出，基于Spark的分層協(xié)同過(guò)濾算法在準(zhǔn)確率上比普通的協(xié)同過(guò)濾算法更高，并且大大節(jié)約了時(shí)間，提高了性能。

　　(2)性能表現(xiàn)

　　實(shí)驗(yàn)二測(cè)試Spark實(shí)現(xiàn)的分層協(xié)同過(guò)濾算法的擴(kuò)展性，分析了在不同節(jié)點(diǎn)個(gè)數(shù)上的性能表現(xiàn)，如圖3所示。

　　從圖中可以看到，當(dāng)節(jié)點(diǎn)數(shù)量達(dá)到一定程度以后，其所消耗的時(shí)間并沒(méi)有減小得太厲害。接下來(lái)將會(huì)測(cè)試在不同大小的數(shù)據(jù)集上算法所表現(xiàn)出來(lái)的性能。

7 結(jié)束語(yǔ)

　　協(xié)同過(guò)濾是推薦算法中最為廣泛使用的推薦算法，研究協(xié)同過(guò)濾的并行化算法也非常多。本文在前人的基礎(chǔ)上，提出一種基于Spark的分層協(xié)同過(guò)濾推薦算法，其核心是把用戶按不同的偏好特征劃分不同的用戶簇，之后針對(duì)不同的用戶簇作協(xié)同過(guò)濾推薦。另外，在Spark平臺(tái)上實(shí)現(xiàn)該算法并與MapReduce的算法比較。實(shí)驗(yàn)結(jié)果表明，算法提高了推薦準(zhǔn)確率與時(shí)間性能，并具有一定的拓展性。

參考文獻(xiàn)

　　[1] MALTONI D，MAIO D，JAIN.A handbook of fingerprint recognication[M].Berlin，Springer，2009.

　　[2] LINDEN G，SMITH B，YORK J.Amazeon.com recommenda-tions：item-to-item collaborative filtering[J].IEEE Internet Computing，2003，7(1)：76-80.

　　[3] SCHAFER J B，F(xiàn)RANKOWSKI D，HERLOCKER J，et al.Collaborative filtering recommender systems[M].Berlin Heidelberg：Springer，2007：291-324.

　　[4] SUN X H，KONG F S，YE S.A comparison of several algorithms for collaborative filtering in startup stage[C].Proceedings of the 2006 IEEE International Conference on Networking，Sensing and Controlling.Washington，DC：IEEE  Computer Society，2006：25-28.

　　[5] ZHAO Z D，SHANG M S.User-based collaborative-filteringrecommendation algorithms on hadoop[C].Third International

　　Conference on Knowledge Discovery and Data Mining.Thailang：IEEE，2010：478-481.

　　[6] JIANG J，LU J，ZHANG G，et al.Scaling-up item-based collaborative filtering recommendation algorithm based on hadoop[C].2011 IEEE World Congress on Services(SER-VICES).Washington：IEEE，2011：490-497.

　　[7] 燕存，吉根林.Item-Based并行協(xié)同過(guò)濾推薦算法的設(shè)計(jì)與實(shí)現(xiàn)[J].南京師大學(xué)報(bào)(自然科學(xué)版)，2014，37(1)： 71-76.

　　[8] 王雪蓉，萬(wàn)年紅.云模式用戶行為關(guān)聯(lián)聚類的協(xié)同過(guò)濾推薦算法[J].計(jì)算機(jī)應(yīng)用，2011，31(9)：2421-2426.

　　[9] 任帥，王浙明，王明敏.基于用戶行為模型和蟻群聚類的協(xié)同過(guò)濾推薦算法[J].微型電腦應(yīng)用，2014，30(3)：5-9.

　　[10] COVER T M，THOMAS J A.Elements of information theory[M].[S.1.]：Wiley-Interscience，2006.