云计算环境中资源优化推荐技术研究

丁禄祺

【摘 要】论文对扩展向量的模型分析，基于云计算下大数据的推荐技术，云计算环境下推荐技术结果的评测进行了阐述。此次研究目的是为了明确云计算环境中的推荐技术的优势，加强对云计算系统中资源的优化。

【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.

【关键词】云计算；推荐技术；优化资源

【Keywords】cloud computing； recommendation technology； resources optimization

【中图分类号】TP391.3 【文献标志码】A 【文章编号】1673-1069（2018）03-0181-02

1 引言

现阶段，为了使云计算运用得到更好的发展，计算机技术人员应接受专业的培训，保证培训效果达到国家计算机技术规定标准。与传统的推荐算法对比，云计算能够在大量数据运算过程中，解决可实现扩展和数据较少的问题。因此，本文研究的课题，对云计算环境下资源优化具有重要意义，对云计算中资源推荐技术具有现实性意义。

2 扩展向量的模型分析

将云计算运用在项目的过滤推荐算法过程中，对其传统算法进行优化，其具体算法流程有以下几点：第一，扩展向量。扩展向量是根据云计算对项目的具体运算形式进行向量扩展，项目的扩展向量特征运算程序如下：

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个项目扩展向量，p（i，j）代表i个客户偏好项目j的数量值，aitem（j，q）表示项目j具有第q个属性值。

第二，临近搜索，临近搜索代表着用户寻找项目的目标相近，可进行相似度计算。相似度计算也运用扩展向量和相似程度进行优化，优化结果的相似度量程序如下：

sim式（2）中与云计算谷本相似程度如下：

sim

式（3）中：sim代表j与j'之间的扩展向量相似度，其运算方法根据其扩展向量进行运算。itemj与itemj'使属于不同的两种项目，Uj代表客户对对其进行的评价结论，Uj'代表用户对其作出评价数量程度，A代表itemj的集合属性信息，Aj'代表itemj'的集合属性信息[1]。

3 基于云计算下大数据的推荐技术

3.1 云计算系统体系结构

对于大量的数据推荐系统，其系统相关体系是建设于物理群体以上，能够根据相关的数据和推算技术进行使用，有效地为用户提供相关材料、节目推荐和平台交流互动等。其中的节目推荐是根据用户对其进行综合评价，用户即可获取热播节目和新节目的节目榜单。其中云计算系统中，具有服务功能，形成的相关服务数据能够储存在系统内部文件中，将其附属在HDFS系统中，运用CPU进行框架计算和对框架进行相关处理，云集三系统体系结构分为物理资源管理层、物理资源处理层、和物理应用层，使用户能够完成高质量和高性能系统功能运算。

3.2 设计云计算系统平台

对于大量数据的推荐系统，在用户使用较多的情况下，可对用户按照城市区域进行划分，对数据进行分区储存，云计算系统应用中所涉及的各个目标，使用户最终将数据储存对应的地域数据档案库中[2]。虽然大部分用户能够对应用程序地域进行划分，但访问应用程序操作执行力具有了局限性。通对对应用程序进行地域划分，能够有效降低数据传送失误，但网络一旦出现故障时，映客仍然可对其程序进行操作。

3.3 云计算系统智能推荐模块设计

云计算系统智能推荐模块分为预处理模块与算法运行模块，其中预处理模块功能分为两类：第一，能够对系统功能进行数据优化，整合相关数据并转化，所形成的数据格式储存在数据整成平台中，第二种属于推荐算法，将所需数据从应用平台中进行获取，进行二次转化，形成数据源，供算法运行的过程计算使用。算法运行模块时能够将运行推荐算法中基于Hadoop系统，将数据经过预处理得到的数据源进行相关输入，并保存在数据库中。例如，用户在应用平台系统中的对该平台进行评价与评分数据，输出系统中的各项功能数据，对用户目标进行具体的推荐。

4 云计算环境下推荐技术结果的评测

4.1 云計算下推荐技术结果的比较

使用MovieLens100K数据集，能够运行三种推荐计算方式，其中包含协同过滤、Slopeone、ALS三种推荐技术。得到进行对比新模型前后之间的准确率与召回率，如表1所示，新型应用推荐技术的准确得到了显著提升，召回率随之也提高相应的程度[3]。因此，扩展向量的推荐技术可解决不同程度上的精准问题，三种推荐算法也能够适用于新型应用的广泛使用。

在三种推算法中，对于系统中的冷启动进行解决理论，可采取使用MovieLens100K数据集对解决冷启动进行实验验证。如表2所示，从实验得出的数据可看出，新模型使用的三种推荐技术都可成功解决云计算中冷启动问题，并且三种推荐技术中的协同过滤推荐计算方法对解决冷启动应用最为突出。因此，三种推荐技术在云计算下可解决冷启动问题。

4.2 云计算下推荐技术运算效果

在云计算下，三种推荐技术的计算结果中，对其包含的评价、运算复杂化度、运行速度、冷启动解决情况进行综合总结评价，如表3所示。从表3中可得出，依数字大小进行相应的评价，协同过滤推荐技术算法推荐精确度较其他两种推荐技术较低，但在商业应用程序中更为流行使用。ALS-WR推荐技术算法精确度要高于其他两种运算方法，但对解决冷启动能力较低，影响程序的运行效率，算法综合性能低于其他两种推荐技术算法。最后一种SlopeOne推荐技术算法的精确度、解决冷启动能力以及运行速度均为平均水平，运算原理较为简单。

5 结论

本文对扩展向量的模型分析，基于云计算下大数据的推荐技术：云计算系统体系结构、设计云计算系统平台、设计云计算系统智能推荐模块，对云计算环境下推荐技术结果的评测：云计算下推荐技术结果的比较、总结云计算下推荐技术运算效果进行了综合论述与分析，望此次研究结果能够得到运用大量数据计算的相关工作人员的关注，在实际操作中能够解决大量数据系统面临的扩展性和实时性问题。

【参考文献】

【1】吕晓晴.云计算环境中资源优化推荐技术研究[J].现代电子技术，2016，39（21）：24-28.

【2】毕敬.云计算环境下服务资源管理若干关键技术研究[J].东北大学，2015，9（21）：54-56.

【3】朱健荣.云计算环境下虚拟资源管理技术的研究[J].南京航空航天大学，2015，54（32）：84-82.