CN107133279A - 一种基于云计算的智能推荐方法及系统 - Google Patents

一种基于云计算的智能推荐方法及系统 Download PDF

Info

Publication number
CN107133279A
CN107133279A CN201710242323.5A CN201710242323A CN107133279A CN 107133279 A CN107133279 A CN 107133279A CN 201710242323 A CN201710242323 A CN 201710242323A CN 107133279 A CN107133279 A CN 107133279A
Authority
CN
China
Prior art keywords
article
user
cloud computing
matrix
recommendation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710242323.5A
Other languages
English (en)
Inventor
张高鹏
韩宾
王明超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201710242323.5A priority Critical patent/CN107133279A/zh
Publication of CN107133279A publication Critical patent/CN107133279A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/258—Data format conversion from or to a database
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0282—Rating or review of business operators or products
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • Finance (AREA)
  • Databases & Information Systems (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种基于云计算的智能推荐方法，基于项目或物品的协同过滤算法在Hadoop云计算平台上实现，包括如下步骤：S1建立物品的同现矩阵；S2建立用户对物品的评分矩阵；S3矩阵计算推荐结果；S4推荐结果存储；S5结果推荐。本发明还公开了一种基于云计算的智能推荐系统。本发明一方面可以使用云计算的并行编程模型解决算法的搞复杂度问题，将复杂的运算分解成简单的任务执行。另一方面云计算可以提供大规模数据的存储系统，脱离了单个计算机的硬件限制。本发明将推荐算法和Hadoop云计算平台有效集合，通过MapReduce分布式编程模型实现了推荐算法的并行化提高了算法的运行效率。

Description

一种基于云计算的智能推荐方法及系统
技术领域
本发明涉及资源推荐技术领域，具体涉及一种基于云计算的智能推荐方法及系统。
背景技术
在互联网技术和信息技术的快速的发展下，人们生活的许多方面已经受到了互联网科技的影响，在我们使用互联网产品的同时，数据总是在不断地产生。某些大型企业每天的数据量已达数百TB，而数据的存储总量也早已超过1000PB。在信息如此增长的态势下，虽然通过搜索技术可以过滤大部分不相关的商品，但是在庞大的数据库中存在着大量的用户潜在感兴趣的商品，所以用户需要一种筛选有效信息的服务，这种服务的需求直接导致推荐系统的产生。推荐系统可以从大量的信息中挖掘用户的兴趣，针对不同用户的兴趣提供个性化的服务。然而从大量的信息中挖掘用户的兴趣，一方面需要精确的挖掘算法，另一方面也需要强大的计算能力。虽然企业可以使用拥有强大计算能力的设备对用户的爱好进行挖掘，但由于这种高性能设备的使用，使成本大大的升高。云计算的出现恰恰满足了企业进行数据挖掘的需求，云计算可以在廉价的机器上实现大规模存储和高速运算，为企业进行个性化服务提供了新的方式。
现有推荐系统中，使用最多的推荐算法就是协同过滤推荐算法，协同过滤算法法理论上可以推荐世界上的任何一种东西。它又分为两种，基于用户的协同过滤算法(UserCF)和基于项目协同过滤算法(ItemCF)。UserCF的主要思想是：基于用户对物品的偏好找到相邻邻居用户，然后将邻居用户喜欢的推荐给当前用户。计算上，就是将一个用户对所有物品的偏好作为一个向量来计算用户之间的相似度，找到K邻居后，根据邻居的相似度权重以及他们对物品的偏好，预测当前用户没有偏好的未涉及物品，计算得到一个排序的物品列表作为推荐。ItemCF的原理和UserCF类似，只是在计算邻居时采用物品本身，而不是从用户的角度，即基于用户对物品的偏好找到相似的物品，然后根据用户的历史偏好，推荐相似的物品。从计算的角度看，就是将所有用户对某个物品的偏好作为一个向量来计算物品之间的相似度，得到物品的相似物品后，根据用户历史的偏好预测当前用户还没有表示偏好的物品，计算得到一个排序的物品列表作为推荐。王国霞，刘贺平在“个性化系统综述”(计算机工程与应用，2012，48(7)：66-76.)论文中就讲述了这种传统的协同过滤推荐算法。
现有技术的缺点就是传统推荐算法复杂度非常高而导致运算效率低下，而且常规的数据挖掘往往都是建立在大规模数据集合之上，复杂的计算和大规模的数据受限于计算机的硬件限制无法取得理想的运行结果。传统的单机串行运算已经无法满足高复杂度和大数据的处理需求。
发明内容
本发明的目的是针对现有技术中的不足，提供一种基于云计算的智能推荐方法及系统，实现了推荐算法的并行化提高了算法的运行效率。
为实现上述目的，本发明公开了如下技术方案：
一种基于云计算的智能推荐方法，基于项目或物品的协同过滤算法在Hadoop云计算平台上实现，包括如下步骤：
S1建立物品的同现矩阵：按用户分组，找到每个用户所选的物品，单独出现计数及两两一组计数；
S2建立用户对物品的评分矩阵：按用户分组，找到每个用户所选的物品及评分；
S3矩阵计算推荐结果：同现矩阵*评分矩阵＝推荐结果；
S4推荐结果存储：将获取的推荐结果发送至应用层的数据库中存储；
S5结果推荐：应用层根据推荐结果对用户进行推荐。
进一步的，所述步骤S1中，建立物品的同现矩阵的具体步骤如下：
任意选取互联网站上的用户评分数据集score.csv，每行3个字段，依次是用户id、物品id和用户对物品的评分，根据物品id进行排序，如下表所示：
有n个用户给物品101打分，则R11＝n，有m个用户同时给物品101和102打分，则R12＝m，以此类推，最终，表中R的值组成的矩阵即为同现矩阵。
进一步的，所述步骤S2中，建立用户对物品的评分矩阵的具体步骤如下：
以用户偏好作为一个评分矩阵，而每个用户的评分矩阵是一个n维的向量，每个维度代表一个物品，偏好值就是向量的每个分量，0代表用户对该物品无偏好，用户对物品的评分矩阵同样来自数据集score.csv，评分矩阵包括了用户对所有物品的打分，若无打分，则矩阵此列为0。
进一步的，所述步骤S3中，矩阵计算推荐结果采用MapReduce并行运算，计算矩阵乘法。
一种基于云计算的智能推荐系统，包括：
业务系统模块，用于记录用户的行为和对物品的打分，并将数据存储至数据库；
第一定时器模块，用于每隔若干小时，由数据库增量向HDFS导入数据，其中，HDFS为Hadoop分布式文件系统；
MapReduce模块，用于大数据并行运算，运行推荐算法将HDFS中的推荐结果发送至业务系统模块的数据库；
第二定时器模块，用于实现从HDFS导出推荐结果到数据库的间隔时间。
进一步的，所述数据库增量向HDFS导入的数据包括用户id、物品id、价值和时间。
本发明公开的一种基于云计算的智能推荐方法及系统，具有以下有益效果：
本发明一方面可以使用云计算的并行编程模型解决算法的搞复杂度问题，将复杂的运算分解成简单的任务执行。另一方面云计算可以提供大规模数据的存储系统，脱离了单个计算机的硬件限制。本发明将推荐算法和Hadoop云计算平台有效集合，通过MapReduce分布式编程模型实现了推荐算法的并行化提高了算法的运行效率。
附图说明
图1是本发明的流程图，
图2是本发明的推荐系统架构图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的核心是提供一种基于云计算的智能推荐方法及系统，实现了推荐算法的并行化提高了算法的运行效率。
请参见图1-图2。
一种基于云计算的智能推荐方法，基于项目或物品的协同过滤算法在Hadoop云计算平台上实现，包括如下步骤：
S1建立物品的同现矩阵：按用户分组，找到每个用户所选的物品，单独出现计数及两两一组计数；
可选的，建立物品的同现矩阵的具体步骤如下：
任意选取互联网站上的用户评分数据集score.csv，每行3个字段，依次是用户id、物品id和用户对物品的评分，根据物品id进行排序，如下表所示：
物品id 101 102 103 …
101 R11 R12 R13 …
102 R21 R22 R23 …
103 R31 R32 R33 …
… … … … …
有n个用户给物品101打分，则R11＝n，有m个用户同时给物品101和102打分，则R12＝m，以此类推，最终，表中R的值组成的矩阵即为同现矩阵。
S2建立用户对物品的评分矩阵：按用户分组，找到每个用户所选的物品及评分；
可选的，建立用户对物品的评分矩阵的具体步骤如下：
以用户偏好作为一个评分矩阵，而每个用户的评分矩阵是一个n维的向量，每个维度代表一个物品，偏好值就是向量的每个分量，0代表用户对该物品无偏好，用户对物品的评分矩阵同样来自数据集score.csv，评分矩阵包括了用户对所有物品的打分，若无打分，则矩阵此列为0。
S3矩阵计算推荐结果：同现矩阵*评分矩阵＝推荐结果；
可选的，矩阵计算推荐结果采用MapReduce并行运算，计算矩阵乘法。
设A＝(aij)mn，B＝(bjk)nl，那么相乘结果C＝(cik)ml。
在Map阶段，把来自表A的元素aij，标识成l条<key,value>的形式，其中key＝(i,k)，k＝1,2,…,l，value＝(a,j,aij)；把来自表B的元素，标识成m条<key,value>的形式，其中key＝(i,k)，k＝1,2,…,m，value＝(b,j,bik)。这样，把参与计算cik的数据归为一类。通过value，我们能区分元素是来自A还是B，以及具体的位置。在Combine阶段，相同key的value会被加入到同一个列表中，形成<key,list(value)>对，传递给Reduce，这个由Hadoop自动完成。接下来把list(value)解析出来，来自A的元素，单独放在一个数组中，来自B的元素，放在另一个数组中，然后，我们计算两个数组(各自看成一个向量)的点积，即可算出cik的值。
S4推荐结果存储：将获取的推荐结果发送至应用层的数据库中存储。
S5结果推荐：应用层根据推荐结果对用户进行推荐。
见图2，一种基于云计算的智能推荐系统，包括：
业务系统模块，用于记录用户的行为和对物品的打分，并将数据存储至数据库；
第一定时器模块，用于每隔若干小时，由数据库增量向HDFS导入数据，其中，HDFS为Hadoop分布式文件系统；
可选的，数据库增量向HDFS导入的数据包括用户id、物品id、价值和时间(userid、itemid、value、time)。
MapReduce模块，用于大数据并行运算，运行推荐算法将HDFS中的推荐结果发送至业务系统模块的数据库；
第二定时器模块，用于实现从HDFS导出推荐结果到数据库的间隔时间。
推荐系统工作过程如下：
业务系统模块记录用户的行为和对物品的打分，设置系统定时器，每若干小时，增量向HDFS导入数据，完成导入后，通过第一定时器模块设置系统定时器，启动MapReduce程序，运行推荐算法，完成计算后，通过第二计时器模块设置系统定时器，从HDFS导出推荐结果数据到数据库，方便以后的及时查询。
本发明的程序开发的系统环境分为两个，一是主机下的Windows环境，使用Java1.8.0_60和Eclipse Mars；二是使用VMware Workstation创建虚拟机搭建Hadoop集群系统环境，包含3个节点：1个主机节点master和2个从机节点slave1、slave2，并通过局域网连接三个节点。每台机子环境如下：
Linux:Ubuntu 12.04.2 LTS 64bit Server
Java:1.8.0_121
Hadoop:hadoop-1.2.1
MapReduce程序实现：
新建Java类：
Recommend.java，主任务启动程序
Step1.java，按用户分组，计算所有物品出现的组合列表，得到用户对物品的评分矩阵
Step2.java，对物品组合列表进行计数，建立物品的同现矩阵
Step3.java，对同现矩阵和评分矩阵转型
Step4.java，合并矩阵，并计算推荐结果列表
HdfsDAO.java，HDFS操作工具类
相比背景技术中介绍的内容，本发明效率高，算法并行计算处理，相比于现在单机串行处理效率更高；可扩展性好，Hadoop是一个开源平台，任何对于算法优化的方法都可以随时进行实验。
以上所述仅是本发明的优选实施方式，而非对其限制；应当指出，尽管参照上述各实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，其依然可以对上述各实施例所记载的技术方案进行修改，或对其中部分或者全部技术特征进行等同替换；而这些修改和替换，并不使相应的技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (6)

1.一种基于云计算的智能推荐方法，其特征在于，基于项目或物品的协同过滤算法在Hadoop云计算平台上实现，包括如下步骤：
S1建立物品的同现矩阵：按用户分组，找到每个用户所选的物品，单独出现计数及两两一组计数；
S2建立用户对物品的评分矩阵：按用户分组，找到每个用户所选的物品及评分；
S3矩阵计算推荐结果：同现矩阵*评分矩阵＝推荐结果；
S4推荐结果存储：将获取的推荐结果发送至应用层的数据库中存储；
S5结果推荐：应用层根据推荐结果对用户进行推荐。
2.根据权利要求1所述的一种基于云计算的智能推荐方法，其特征在于，所述步骤S1中，建立物品的同现矩阵的具体步骤如下：
任意选取互联网站上的用户评分数据集score.csv，每行3个字段，依次是用户id、物品id和用户对物品的评分，根据物品id进行排序，如下表所示：
物品id 101 102 103 … 101 R11 R12 R13 … 102 R21 R22 R23 … 103 R31 R32 R33 … … … … … …
有n个用户给物品101打分，则R11＝n，有m个用户同时给物品101和102打分，则R12＝m，以此类推，最终，表中R的值组成的矩阵即为同现矩阵。
3.根据权利要求1所述的一种基于云计算的智能推荐方法，其特征在于，所述步骤S2中，建立用户对物品的评分矩阵的具体步骤如下：
以用户偏好作为一个评分矩阵，而每个用户的评分矩阵是一个n维的向量，每个维度代表一个物品，偏好值就是向量的每个分量，0代表用户对该物品无偏好，用户对物品的评分矩阵同样来自数据集score.csv，评分矩阵包括了用户对所有物品的打分，若无打分，则矩阵此列为0。
4.根据权利要求1所述的一种基于云计算的智能推荐方法，其特征在于，所述步骤S3中，矩阵计算推荐结果采用MapReduce并行运算，计算矩阵乘法。
5.一种基于云计算的智能推荐系统，其特征在于，包括：
业务系统模块，用于记录用户的行为和对物品的打分，并将数据存储至数据库；
第一定时器模块，用于每隔若干小时，由数据库增量向HDFS导入数据，其中，HDFS为Hadoop分布式文件系统；
MapReduce模块，用于大数据并行运算，运行推荐算法将HDFS中的推荐结果发送至业务系统模块的数据库；
第二定时器模块，用于实现从HDFS导出推荐结果到数据库的间隔时间。
6.根据权利要求5所述的一种基于云计算的智能推荐系统，其特征在于，所述数据库增量向HDFS导入的数据包括用户id、物品id、价值和时间。
CN201710242323.5A 2017-04-13 2017-04-13 一种基于云计算的智能推荐方法及系统 Pending CN107133279A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710242323.5A CN107133279A (zh) 2017-04-13 2017-04-13 一种基于云计算的智能推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710242323.5A CN107133279A (zh) 2017-04-13 2017-04-13 一种基于云计算的智能推荐方法及系统

Publications (1)

Publication Number Publication Date
CN107133279A true CN107133279A (zh) 2017-09-05

Family

ID=59715033

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710242323.5A Pending CN107133279A (zh) 2017-04-13 2017-04-13 一种基于云计算的智能推荐方法及系统

Country Status (1)

Country Link
CN (1) CN107133279A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109379423A (zh) * 2018-10-12 2019-02-22 成都信息工程大学 一种基于云平台的多源跨域数据交互系统
CN109584016A (zh) * 2018-12-03 2019-04-05 广东鸭梨云信息科技有限公司 一种商品推荐方法
CN110465086A (zh) * 2018-05-11 2019-11-19 腾讯科技（深圳）有限公司 一种游戏物品展示方法、装置及存储介质
CN111105267A (zh) * 2019-11-22 2020-05-05 苏州浪潮智能科技有限公司 一种基于als算法的推荐方法、设备及可读介质
CN114881689A (zh) * 2022-04-26 2022-08-09 驰众信息技术（上海）有限公司 基于矩阵分解的楼宇推荐方法和系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105843860A (zh) * 2016-03-17 2016-08-10 山东大学 一种基于并行item-based协同过滤算法的微博关注推荐方法
CN105930469A (zh) * 2016-04-23 2016-09-07 北京工业大学 基于Hadoop的个性化旅游推荐系统及方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105843860A (zh) * 2016-03-17 2016-08-10 山东大学 一种基于并行item-based协同过滤算法的微博关注推荐方法
CN105930469A (zh) * 2016-04-23 2016-09-07 北京工业大学 基于Hadoop的个性化旅游推荐系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王彩群: "分布式协同过滤算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
赵国海: "基于Hadoop云平台的智能推荐物流系统设计与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110465086A (zh) * 2018-05-11 2019-11-19 腾讯科技（深圳）有限公司 一种游戏物品展示方法、装置及存储介质
CN109379423A (zh) * 2018-10-12 2019-02-22 成都信息工程大学 一种基于云平台的多源跨域数据交互系统
CN109584016A (zh) * 2018-12-03 2019-04-05 广东鸭梨云信息科技有限公司 一种商品推荐方法
CN111105267A (zh) * 2019-11-22 2020-05-05 苏州浪潮智能科技有限公司 一种基于als算法的推荐方法、设备及可读介质
CN114881689A (zh) * 2022-04-26 2022-08-09 驰众信息技术（上海）有限公司 基于矩阵分解的楼宇推荐方法和系统

Similar Documents

Publication Publication Date Title
Sun et al. A new opinion leaders detecting algorithm in multi-relationship online social networks
CN107133279A (zh) 一种基于云计算的智能推荐方法及系统
Zheng et al. Real-time intelligent big data processing: technology, platform, and applications
Hu et al. Time-and cost-efficient task scheduling across geo-distributed data centers
CN102682059B (zh) 用于将用户分配到集群的方法和系统
CN103116639B (zh) 基于用户-物品二分图模型的物品推荐方法及系统
Li et al. A comparative analysis of evolutionary and memetic algorithms for community detection from signed social networks
Hasija et al. Scheduling in flowshops to minimize total tardiness of jobs
Dinh et al. An efficient algorithm for mining periodic high-utility sequential patterns
Zheng et al. Finite-time consensus for stochastic multi-agent systems
Wang et al. Dynamic community detection based on network structural perturbation and topological similarity
Woo et al. Market basket analysis algorithm with map/reduce of cloud computing
Gronemann et al. Crossing minimization in storyline visualization
Rossi et al. Parallel maximum clique algorithms with applications to network analysis and storage
Sogodekar et al. Big data analytics: hadoop and tools
Zhai et al. Bi-directional h-index: A new measure of node centrality in weighted and directed networks
CN106599189A (zh) 基于云计算的动态Skyline查询装置
Mao et al. A MapReduce-based K-means clustering algorithm
Wang et al. Link prediction based on community information and its parallelization
CN106406985B (zh) 分布式计算框架和分布式计算方法
Shi et al. Partitioning dynamic graph asynchronously with distributed FENNEL
Saltz et al. Distributed community detection with the wcc metric
Premchaiswadi et al. Extracting weblog of Siam University for learning user behavior on MapReduce
CN106445645A (zh) 用于执行分布式计算任务的方法和装置
Putri et al. DISPAQ: Distributed profitable-area query from big taxi trip data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170905

RJ01 Rejection of invention patent application after publication