科研之友
微信
新浪微博
Facebook
分享链接
摘要
为提升推荐算法精准性，满足用户精准、实时的信息推荐需求，并保障用户隐私信息的安全，本文提出了基于Spark的协同过滤并行推荐ALS算法。针对用户隐私信息安全问题，引入差分隐私保护，对提出的模型进行差分隐私的项目平均分处理、差分隐私的用户平均分处理，进而得到引入差分隐私的ALS协同过滤并行推荐算法模型，并对ALS算法的实现进行详细分析。为验证算法可行性，本文应用Spark分布式集群，共设置5台实验设备，设置预处理为0.3 ε，输入差分隐私保护为0.7 ε，稳定参数15、20，模型隐含特征数量10，对算法进行实验分析。实验结果表明，本文提出的算法具有较高的推荐准确率，且运行效率较高，有良好的扩展性，具有较高的实际应用价值。
-
单位福州理工学院
