云計算環境中資源優化推薦技術研究

丁祿祺

【摘 要】論文對擴展向量的模型分析，基于云計算下大數據的推薦技術，云計算環境下推薦技術結果的評測進行了闡述。此次研究目的是為了明確云計算環境中的推薦技術的優勢，加強對云計算系統中資源的優化。

【Abstract】In this paper， based on the model analysis of extended vector， and the recommendation technology of large data in cloud computing， the evaluation of the recommended technical results under the cloud computing environment is evaluated. The purpose of this study is to identify the advantages of the recommendation technology in the cloud computing environment and to optimize the resources in the cloud computing system.

【關鍵詞】云計算；推薦技術；優化資源

【Keywords】cloud computing； recommendation technology； resources optimization

【中圖分類號】TP391.3 【文獻標志碼】A 【文章編號】1673-1069（2018）03-0181-02

1 引言

現階段，為了使云計算運用得到更好的發展，計算機技術人員應接受專業的培訓，保證培訓效果達到國家計算機技術規定標準。與傳統的推薦算法對比，云計算能夠在大量數據運算過程中，解決可實現擴展和數據較少的問題。因此，本文研究的課題，對云計算環境下資源優化具有重要意義，對云計算中資源推薦技術具有現實性意義。

2 擴展向量的模型分析

將云計算運用在項目的過濾推薦算法過程中，對其傳統算法進行優化，其具體算法流程有以下幾點：第一，擴展向量。擴展向量是根據云計算對項目的具體運算形式進行向量擴展，項目的擴展向量特征運算程序如下：

eitemj=（p（1，j），p（2，j），…，p（m，j），aitem（j，1），aitem（j，2），…，aitem（j，q）） （1）

式（1）中，eitemj代表的是第j個項目擴展向量，p（i，j）代表i個客戶偏好項目j的數量值，aitem（j，q）表示項目j具有第q個屬性值。

第二，臨近搜索，臨近搜索代表著用戶尋找項目的目標相近，可進行相似度計算。相似度計算也運用擴展向量和相似程度進行優化，優化結果的相似度量程序如下：

sim式（2）中與云計算谷本相似程度如下：

sim

式（3）中：sim代表j與j'之間的擴展向量相似度，其運算方法根據其擴展向量進行運算。itemj與itemj'使屬于不同的兩種項目，Uj代表客戶對對其進行的評價結論，Uj'代表用戶對其作出評價數量程度，A代表itemj的集合屬性信息，Aj'代表itemj'的集合屬性信息[1]。

3 基于云計算下大數據的推薦技術

3.1 云計算系統體系結構

對于大量的數據推薦系統，其系統相關體系是建設于物理群體以上，能夠根據相關的數據和推算技術進行使用，有效地為用戶提供相關材料、節目推薦和平臺交流互動等。其中的節目推薦是根據用戶對其進行綜合評價，用戶即可獲取熱播節目和新節目的節目榜單。其中云計算系統中，具有服務功能，形成的相關服務數據能夠儲存在系統內部文件中，將其附屬在HDFS系統中，運用CPU進行框架計算和對框架進行相關處理，云集三系統體系結構分為物理資源管理層、物理資源處理層、和物理應用層，使用戶能夠完成高質量和高性能系統功能運算。

3.2 設計云計算系統平臺

對于大量數據的推薦系統，在用戶使用較多的情況下，可對用戶按照城市區域進行劃分，對數據進行分區儲存，云計算系統應用中所涉及的各個目標，使用戶最終將數據儲存對應的地域數據檔案庫中[2]。雖然大部分用戶能夠對應用程序地域進行劃分，但訪問應用程序操作執行力具有了局限性。通對對應用程序進行地域劃分，能夠有效降低數據傳送失誤，但網絡一旦出現故障時，映客仍然可對其程序進行操作。

3.3 云計算系統智能推薦模塊設計

云計算系統智能推薦模塊分為預處理模塊與算法運行模塊，其中預處理模塊功能分為兩類：第一，能夠對系統功能進行數據優化，整合相關數據并轉化，所形成的數據格式儲存在數據整成平臺中，第二種屬于推薦算法，將所需數據從應用平臺中進行獲取，進行二次轉化，形成數據源，供算法運行的過程計算使用。算法運行模塊時能夠將運行推薦算法中基于Hadoop系統，將數據經過預處理得到的數據源進行相關輸入，并保存在數據庫中。例如，用戶在應用平臺系統中的對該平臺進行評價與評分數據，輸出系統中的各項功能數據，對用戶目標進行具體的推薦。

4 云計算環境下推薦技術結果的評測

4.1 云計算下推薦技術結果的比較

使用MovieLens100K數據集，能夠運行三種推薦計算方式，其中包含協同過濾、Slopeone、ALS三種推薦技術。得到進行對比新模型前后之間的準確率與召回率，如表1所示，新型應用推薦技術的準確得到了顯著提升，召回率隨之也提高相應的程度[3]。因此，擴展向量的推薦技術可解決不同程度上的精準問題，三種推薦算法也能夠適用于新型應用的廣泛使用。

在三種推算法中，對于系統中的冷啟動進行解決理論，可采取使用MovieLens100K數據集對解決冷啟動進行實驗驗證。如表2所示，從實驗得出的數據可看出，新模型使用的三種推薦技術都可成功解決云計算中冷啟動問題，并且三種推薦技術中的協同過濾推薦計算方法對解決冷啟動應用最為突出。因此，三種推薦技術在云計算下可解決冷啟動問題。

4.2 云計算下推薦技術運算效果

在云計算下，三種推薦技術的計算結果中，對其包含的評價、運算復雜化度、運行速度、冷啟動解決情況進行綜合總結評價，如表3所示。從表3中可得出，依數字大小進行相應的評價，協同過濾推薦技術算法推薦精確度較其他兩種推薦技術較低，但在商業應用程序中更為流行使用。ALS-WR推薦技術算法精確度要高于其他兩種運算方法，但對解決冷啟動能力較低，影響程序的運行效率，算法綜合性能低于其他兩種推薦技術算法。最后一種SlopeOne推薦技術算法的精確度、解決冷啟動能力以及運行速度均為平均水平，運算原理較為簡單。

5 結論

本文對擴展向量的模型分析，基于云計算下大數據的推薦技術：云計算系統體系結構、設計云計算系統平臺、設計云計算系統智能推薦模塊，對云計算環境下推薦技術結果的評測：云計算下推薦技術結果的比較、總結云計算下推薦技術運算效果進行了綜合論述與分析，望此次研究結果能夠得到運用大量數據計算的相關工作人員的關注，在實際操作中能夠解決大量數據系統面臨的擴展性和實時性問題。

【參考文獻】

【1】呂曉晴.云計算環境中資源優化推薦技術研究[J].現代電子技術，2016，39（21）：24-28.

【2】畢敬.云計算環境下服務資源管理若干關鍵技術研究[J].東北大學，2015，9（21）：54-56.

【3】朱健榮.云計算環境下虛擬資源管理技術的研究[J].南京航空航天大學，2015，54（32）：84-82.