高海超 常祎雯 楊文峰 馮學(xué)偉 鄧 哲 白 濤

（延安大學(xué) 數(shù)學(xué)與計算機科學(xué)學(xué)院，陜西 延安 716000）

1 概述

當(dāng)下正處于大數(shù)據(jù)時代，用戶在網(wǎng)絡(luò)中的各種操作都會留下數(shù)據(jù)，數(shù)據(jù)背后的價值性毋庸置疑。各行各業(yè)對挖掘數(shù)據(jù)價值的需求日益劇增。對于電商企業(yè)來說，用戶的點擊、分享、加購物車、收藏、購買等歷史數(shù)據(jù)可以對電商企業(yè)的發(fā)展和規(guī)劃起到極大地指導(dǎo)作用，能夠提高用戶黏度，增強用戶購物體驗，幫助企業(yè)實現(xiàn)更好的運營效果。

為了更好的利用數(shù)據(jù)背后的價值，可利用計算機對歷史數(shù)據(jù)進行分析。由于數(shù)據(jù)龐大，需要算力極高?？煽紤]采用分布式計算，以PC 機集群來對大數(shù)據(jù)進行處理，來彌補小型企業(yè)計算機性能低下的問題。同時采用分布式存儲，還能更好的對數(shù)據(jù)進行存儲及備份，提高系統(tǒng)容錯性。

為使用戶在購物時，能夠得到系統(tǒng)推薦的，更貼合用戶需求的商品。則需要對用戶的過往操作數(shù)據(jù)進行分析，通過歷史數(shù)據(jù)得出規(guī)律，并為用戶推薦合適的商品是大數(shù)據(jù)運營系統(tǒng)最重要的目的。本文以商品推薦為例，通過Hadoop 分布式大數(shù)據(jù)處理框架，對銷售數(shù)據(jù)以及用戶行為數(shù)據(jù)進行清洗及分析，同時還使用Spark 提供的機器學(xué)習(xí)庫中的多種算法來訓(xùn)練模型，并通過模型計算得到推薦值。使得用戶在購物時，能夠從多種維度收到來自平臺的個性化推薦。以實現(xiàn)增強用戶的購物體驗，提高用戶黏度，進而增大平臺銷售量。

2 分布式存儲

由于本項目需要根據(jù)大量歷史數(shù)據(jù)進行分析，才能得到更好的推薦結(jié)果，面對大規(guī)模數(shù)據(jù)，采用分布式的存儲是非常有必要的。Hadoop 提供的HDFS（Hadoop distributed file system）就是一個分布式文件系統(tǒng)，如圖1 所示。

圖1 HDFS 結(jié)構(gòu)圖

將文件默認按128M分為多個block，進而存儲在多個Data Node 節(jié)點上，每個block 默認保存3 個備份。

3 數(shù)據(jù)清洗

數(shù)據(jù)清洗部分主要依賴于Hadoop 下的MapReduce 來進行，本項目編程語言使用Java，在開發(fā)過程中，可直接用Java 調(diào)用Hadoop 接口，覆寫map 和reduce 方法，根據(jù)實際數(shù)據(jù)及需求，來對數(shù)據(jù)進行清洗和補償。

3.1 去重

在數(shù)據(jù)處理過程中，發(fā)現(xiàn)存在一些操作數(shù)據(jù)產(chǎn)生時間相同，分析是系統(tǒng)運行過程中被惡意訪問，或者存在刷點擊量的行為，而這些行為數(shù)據(jù)對實際數(shù)據(jù)分析毫無用處，故需要對其進行清除，這里考慮使用MapReduce 將完全相同數(shù)據(jù)只讀取其中一個，將其它的無用數(shù)據(jù)進行清除，以達到去重目的。

3.2 IP 地址補償

由于需要按地域區(qū)分用戶，并按地域進行分析，故要對IP地址進行補償。將一串IP 地址其視為256 進制數(shù)，然后將其轉(zhuǎn)為整型數(shù)，將其視為地址最大數(shù)，進而在0 和最大數(shù)中間隨機生成1 個數(shù)，再通過位運算，將其轉(zhuǎn)為IP 地址格式，即可得出隨機IP 地址。

4 數(shù)據(jù)分析

根據(jù)用戶登陸與操作情況進行分析，設(shè)用戶操作分別為瀏覽、收藏、加購、付款四種類型，分別賦值1-4 分可得用戶評分向量。

4.1 活躍用戶記錄

活躍用戶記錄可利用位圖來實現(xiàn)，以1 作為登錄，0 作為登錄，以此來記錄用戶的具體登錄情況。以此方法，可以將一個月的數(shù)據(jù)合并為一條數(shù)據(jù)，這樣可以極大的減少數(shù)據(jù)的空間占用，同時實現(xiàn)對用戶活躍度的記錄。

4.2 基于協(xié)同過濾的商品推薦

基于用戶的協(xié)同過濾，通過不同用戶對物品的評分來評測用戶之間的相似性，基于用戶之間的相似性做出推薦，如圖2 所示。

圖2 對相似用戶的物品推薦

為實現(xiàn)以上算法，引入Co-occurrence Matrix（同現(xiàn)矩陣）與User Preference Vector（用戶評分向量），以同現(xiàn)矩陣與用戶評分向量相乘得到Recommended Vector（推薦向量）。最后按照排序高低對用戶進行推薦，如圖3 所示。

圖3 基于協(xié)同過濾的商品推薦算法示意圖

4.3 ALS（交替最小二乘法）

直接調(diào)用Spark 的Mllib 庫中的算法實現(xiàn)。將用戶對商品的評分矩陣分解為2 個矩陣分別設(shè)為X 與Y。

隨機生成X，Y，固定Y，使用公式3 更新Xu，固定X，使用公式（4）更新Yi，重復(fù)交替執(zhí)行公式（3）和公式（4），直到均方根誤差RMSE 收斂。ALS 算法流程圖如圖4 所示。

圖4 ALS 算法流程圖

5 結(jié)論

以HDFS 作為存儲系統(tǒng)，借助kafka 與flume 對數(shù)據(jù)進行采集，之后調(diào)用Spark 的Mllib，使用位圖、同現(xiàn)矩陣、ALS（交替最小二乘法）等算法實現(xiàn)了對數(shù)據(jù)進行處理與分析，并得到推薦結(jié)果。對提升用戶體驗與增強用戶黏性，做出了巨大的幫助。