侯敬儒 吳 晟 李英娜

（昆明理工大學(xué)信息工程與自動(dòng)化學(xué)院 昆明 650500）

基于Spark的并行ALS協(xié)同過(guò)濾算法研究?

侯敬儒 吳 晟 李英娜

（昆明理工大學(xué)信息工程與自動(dòng)化學(xué)院 昆明 650500）

ALS（最小二乘法）協(xié)同過(guò)濾推薦算法是通過(guò)矩陣分解進(jìn)行推薦，它通過(guò)綜合大量的用戶評(píng)分?jǐn)?shù)據(jù)進(jìn)行計(jì)算，并存儲(chǔ)計(jì)算過(guò)程中產(chǎn)生的大量特征矩陣。Hadoop的HA（高可用性）用來(lái)解決HDFS分布式文件系統(tǒng)的NameNode單點(diǎn)故障問(wèn)題。Spark是一種基于內(nèi)存的新型分布式大數(shù)據(jù)計(jì)算框架，具有優(yōu)異的計(jì)算性能。文章基于QJM（Quorum Journal Manager）構(gòu)建了HA下的Hadoop大數(shù)據(jù)平臺(tái)，并在Spark計(jì)算框架基礎(chǔ)上研究使用ALS協(xié)同過(guò)濾算法，實(shí)現(xiàn)基于ALS協(xié)同過(guò)濾算法在Spark上的并行化運(yùn)行；通過(guò)和基于Hadoop的MapReduce思想的ALS協(xié)同過(guò)濾算法在Netflix數(shù)據(jù)集上的比對(duì)實(shí)驗(yàn)表明，基于Spark平臺(tái)的ALS協(xié)同過(guò)濾算法的并行化計(jì)算效率有明顯提升，并且更適合處理海量數(shù)據(jù)。

ALS；協(xié)同過(guò)濾；矩陣分解；High Available；Spark

1 引言

當(dāng)前，整個(gè)世界已經(jīng)迎來(lái)了大數(shù)據(jù)時(shí)代，在新零售等新興業(yè)態(tài)形式下，互聯(lián)網(wǎng)用戶飛速增長(zhǎng)以及互聯(lián)網(wǎng)科技迅猛發(fā)展，在以用戶為中心的信息生產(chǎn)模式下，互聯(lián)網(wǎng)信息爆炸式增長(zhǎng)［1］，不僅數(shù)據(jù)量越來(lái)越大，數(shù)據(jù)類型也越來(lái)越大，人們正面臨著嚴(yán)重的“信息過(guò)載”問(wèn)題［2］。目前，解決該問(wèn)題的技術(shù)主要分為兩類，第一類是信息檢索技術(shù)-搜索引擎，第二類是信息過(guò)濾技術(shù)-推薦系統(tǒng)［3］。區(qū)別在于搜索引擎依賴用戶對(duì)信息的準(zhǔn)確描述，而推薦系統(tǒng)則是以用戶歷史行為和數(shù)據(jù)為基點(diǎn)，建立相關(guān)數(shù)據(jù)模型從而挖掘出用戶需求和興趣，從而以此為依據(jù)從海量的信息中為用戶篩選出用戶感興趣的信息。由此可見(jiàn)，在用戶需求不明確時(shí)，推薦系統(tǒng)的作用顯得尤為重要。

推薦系統(tǒng)中的協(xié)同過(guò)濾推薦技術(shù)簡(jiǎn)單、高效，得到了業(yè)界廣泛的認(rèn)同和應(yīng)用。然而協(xié)同過(guò)濾技術(shù)也有缺點(diǎn)和不足，例如可擴(kuò)展的問(wèn)題、數(shù)據(jù)稀疏的問(wèn)題、冷啟動(dòng)的問(wèn)題，這些問(wèn)題往往會(huì)導(dǎo)致推薦系統(tǒng)的推薦質(zhì)量下降［4］。文章主要介紹的基于Spark的并行ALS協(xié)同過(guò)濾推薦算法模型中，通過(guò)一組隱性因子來(lái)預(yù)測(cè)缺失元素和表達(dá)用戶和商品。其所用的學(xué)習(xí)潛在因子的方法就是交替ALS最小二乘法。

2 HA（High Available）集群構(gòu)建

2.1 HA集群特點(diǎn)

一個(gè)成熟的企業(yè)級(jí)HA集群，在任何時(shí)間，只有一個(gè)NameNode處于活動(dòng)狀態(tài)，而另一個(gè)在備份狀態(tài)，活動(dòng)狀態(tài)的NameNode會(huì)響應(yīng)集群中所有的客戶端，同時(shí)備份的只是作為一個(gè)副本，保證在必要的時(shí)候提供一個(gè)快速的轉(zhuǎn)移［5］。

為了使備份的節(jié)點(diǎn)和活動(dòng)的節(jié)點(diǎn)保持一致，兩個(gè)節(jié)點(diǎn)通過(guò)一個(gè)特殊的守護(hù)線程相連，這個(gè)線程叫做“JournalNodes”（JNs）。當(dāng)活動(dòng)狀態(tài)的節(jié)點(diǎn)（Active NameNode）因?yàn)樾碌姆植际綉?yīng)用而修改命名空間（NameSpace），它均會(huì)通過(guò)線程JNs記錄日志，備用的節(jié)點(diǎn)可以監(jiān)控edit日志的變化，并且通過(guò)JNs讀取到變化。備份節(jié)點(diǎn)查看edits可以擁有專門的namespace。在故障轉(zhuǎn)移的時(shí)候備份節(jié)點(diǎn)將在切換至活動(dòng)狀態(tài)前確認(rèn)它從JNs讀取到的所有edits。這個(gè)確認(rèn)的目的是為了保證NameSpace的狀態(tài)和遷移之前是完全同步的。為了提供一個(gè)快速的轉(zhuǎn)移，備份NameNode要求保存著最新的block在集群當(dāng)中的信息。為了能夠得到這個(gè)，DataNode都被配置了所有的NameNode的地址，并且發(fā)送block的地址信息和心跳給兩個(gè)node。

2.2 HA集群配置

2.2.1 基于QJM（Quorum Journal Manager）配置HA集群原理

QJM是基于Paxos算法的，如果配置2N+1臺(tái)JournalNode組成的集群，則最多能容忍N(yùn)臺(tái)機(jī)器down機(jī)。QJM的體系結(jié)構(gòu)如圖1所示。

圖1 QJM體系結(jié)構(gòu)

用QJM的方式實(shí)現(xiàn)HA的主要好處有以下幾

點(diǎn)：

1）不再需要單獨(dú)配置Fencing實(shí)現(xiàn)，因?yàn)镼JM本身內(nèi)置了Fencing的功能。

2）不存在單點(diǎn)故障。

3）系統(tǒng)健壯性的程度是可配置的。

4）存儲(chǔ)日志的JournalNode不會(huì)因?yàn)槠渲幸慌_(tái)的延遲而影響整體的延遲，也不會(huì)因?yàn)镴ournalNode的數(shù)量增多而影響性能。

圖2所示為該實(shí)驗(yàn)環(huán)境下由3個(gè)計(jì)算節(jié)點(diǎn)，2個(gè)控制節(jié)點(diǎn)組成的HA集群的拓?fù)浣Y(jié)構(gòu)圖例，各個(gè)節(jié)點(diǎn)之間使用局域網(wǎng)連接。

圖2 集群拓?fù)浣Y(jié)構(gòu)

2.2.2 環(huán)境配置說(shuō)明

ZooKeeper是提供一致性服務(wù)的軟件，它的功能包括：配置維護(hù)、名字服務(wù)、分布式同步、組服務(wù)等［6～7］。該實(shí)驗(yàn)環(huán)境中使用Zookeeper保證Master節(jié)點(diǎn)down機(jī)之后能夠快速切換到StandByMaster，繼續(xù)為集群提供服務(wù)，從而使得整個(gè)集群正常工作，同時(shí)，也修復(fù)down機(jī)的Master。該環(huán)境部署的HA下的大數(shù)據(jù)實(shí)驗(yàn)平臺(tái)由5臺(tái)機(jī)器構(gòu)成，包括2個(gè)Master節(jié)點(diǎn)和3個(gè)Worker節(jié)點(diǎn)，節(jié)點(diǎn)之間局域網(wǎng)連接。

該環(huán)境以Hadoop的HDFS為基礎(chǔ)存儲(chǔ)框架，主要以Spark為計(jì)算框架，Zookeeper統(tǒng)籌HA下的大數(shù)據(jù)平臺(tái)，管理整個(gè)集群配置。具體5個(gè)節(jié)點(diǎn)的具體功能如表1所示。

表1 節(jié)點(diǎn)功能

2.2.3 修改Zookeeper配置過(guò)程

1）確定Zookeeper的數(shù)據(jù)存放位置，并且設(shè)定server的端口，響應(yīng)時(shí)間等：

vim zoo.cfg

dataDir=/home/sparker/zookeeper-3.4.5/data

server.1=sparker000：2888：3888

server.2=sparker001：2888：3888

server.3=sparker005：2888：3888

tickTime=2000

initLimit=5

syncLimit=2

clientPort=2181

2）新建data文件夾：

/home/sparker000/zookeeper/下新建 data文件夾，然后在該文件夾下新建文件，文件名為myid，向其中加入server.1/2/3中的值，此處填1。

3）將安裝完的Zookeeper分發(fā)到其他機(jī)器：

由于我們只在一臺(tái)機(jī)器上安裝了Zookeeper，所以需要將配置好的文件分發(fā)到其他的機(jī)器上，使用scp命令：

scp/-r/zookeeper-3.4.5 192.168.1.101：/home/sparker001/scp/-r/zookeeper-3.4.5 192.168.1.102：/home/sparker002/

修改101/102上中/data/myid的值。與server后面的值對(duì)應(yīng)。在101中myid修改為2，在102中myid修改為3。

4）修改profile文件：

修改/etc/profile系統(tǒng)環(huán)境變量配置文件，加入zookeeper的環(huán)境變量

exportZOOKEEPER_HOME=/home/sparker000/zookeeper-3.4.5

exportPATH=$PATH：$ZOOKEEPER_HOME/bin

2.3 分布式計(jì)算框架-Spark

Apache Spark官方的定義為：Spark是一個(gè)通用的大規(guī)模數(shù)據(jù)快速處理引擎［8］?？梢院?jiǎn)單理解為Spark就是一個(gè)大數(shù)據(jù)分布式處理框架［8］。相比于傳統(tǒng)的以Hadoop為基石的第一代大數(shù)據(jù)技術(shù)生態(tài)系統(tǒng)而言，Spark無(wú)論是性能還是方案的統(tǒng)一性都具有極為顯著的優(yōu)勢(shì)。在Spark中，數(shù)據(jù)集的劃分和任務(wù)的調(diào)度都是系統(tǒng)自動(dòng)完成的，其工作流程如圖3所示。

圖3 Spark工作流程

其中，Driver是用戶編寫(xiě)的Spark程序（用戶編寫(xiě)的數(shù)據(jù)處理邏輯），這個(gè)邏輯中包含用戶創(chuàng)建的SparkContext。SparkContext是用戶邏輯與Spark集群主要的交互接口，它會(huì)和Cluster Manager交互，包括向它申請(qǐng)計(jì)算資源等。Cluster Manager負(fù)責(zé)集群的資源管理和調(diào)度，現(xiàn)在支持Standalone、Apache Mesos和Hadoop的Yarn。工作節(jié)點(diǎn)（Worker Node）是集群中可以執(zhí)行計(jì)算任務(wù)的節(jié)點(diǎn)。Executor是在一個(gè)工作節(jié)點(diǎn)（Worker Node）上為某分布式應(yīng)用程序啟動(dòng)的一個(gè)負(fù)責(zé)運(yùn)行任務(wù)的進(jìn)程，并且負(fù)責(zé)將所需要的數(shù)據(jù)存在內(nèi)存或者磁盤上。每個(gè)應(yīng)用都有各自獨(dú)立的Executor，計(jì)算最終在計(jì)算節(jié)點(diǎn)的Executor中執(zhí)行［9］。

3 基于Spark的ALS協(xié)同過(guò)濾算法研究

3.1 ALS協(xié)同過(guò)濾算法

基于矩陣分解模型的協(xié)同過(guò)濾推薦算法主要有：SVD（奇異值分解）和ALS［10］。下面就ALS算法理論做一個(gè)介紹。

對(duì)于Sm×n矩陣，ALS主要是找到2個(gè)低維矩陣Xm×k和Yn×k來(lái)近似逼近 Sm×n，即：

其中Sm×n表示用戶對(duì)產(chǎn)品的偏好評(píng)分矩陣，Xm×k代表用戶對(duì)隱含特征的偏好矩陣，Yn×k表示產(chǎn)品所包含的隱含特征矩陣。通常取k?min(m，n)，也就是相當(dāng)于降維了。

為了找到使矩陣X和Y盡可能地?zé)o限接近S，需要最小化平方誤差損失函數(shù)：

其中 Xi表示用戶i的偏好的隱含特征向量，yj表示商品 j包含的隱含特征向量，sij表示用戶i對(duì)商品 j的偏好評(píng)分，xiyjT是用戶i對(duì)商品 j偏好評(píng)分的近似，λ表示正則化項(xiàng)的系數(shù)。其求解方法如下：

先固定Y，將誤差損失函數(shù)L(X，Y)對(duì) Xi求偏導(dǎo)，并另導(dǎo)數(shù)=0，得到：

同理固定X，可得：

其中 xi是S的第i行，xj是S的第 j列，E是k×k的單位矩陣。

其迭代步驟是：首先隨機(jī)初始化Y，利用式（3）更新得到 X，然后利用式（4）更新Y，直到RMSE（均方根誤差）變化很小或者到達(dá)最大迭代次數(shù)為止［11］。其RMSE的計(jì)算公式如下：

8）While iter＜setValue//依據(jù)設(shè)定的次數(shù)迭代計(jì)算

9）Update user//更新User的因子矩陣

10）RDD［（Int，Array［Array［Double］］）］?

11）Update item//更新Item的因子矩陣

12）End while

3.2 基于Spark的ALS協(xié)同過(guò)濾算法并行化實(shí)現(xiàn)

輸入：評(píng)分?jǐn)?shù)據(jù)

輸出：矩陣分解模型

算法基本邏輯步驟如下：

1）var partitionNum//設(shè)置分區(qū)數(shù)

2）var sc=new SparkContext（）

3）讀入數(shù)據(jù)生成

Ratings：RDD［Rating］，Ratings是序列

＜user：Int，Item：Int，rating：Double＞

4）依據(jù)用戶設(shè)置或者默認(rèn)的并行化數(shù)生成RatingsOfUserBlock、RatingsOfItemBlock的

RatingsOfUserBlock：Rating＜u，p，R＞—→——map＜u，u，p，r＞

RatingsOfItemBlock：Rating＜u，p，R＞＜p，p，u，r＞

5）生成基于User或者Item的InLinkRDD（內(nèi)連接信息）和OutLinkRDD（外連接信息）

6）將內(nèi)外連接信息cache到內(nèi)存中，減少磁盤I/O

7）初始化用戶-項(xiàng)目因子矩陣

4 實(shí)驗(yàn)結(jié)果分析

4.1 實(shí)驗(yàn)數(shù)據(jù)集

本實(shí)驗(yàn)采用Netflix發(fā)布的電影評(píng)分?jǐn)?shù)據(jù)集（TrainingSet、ProbeSetQualifyingSet）。該數(shù)據(jù)集包括用戶數(shù)：480189，電影數(shù)：17770，評(píng)分?jǐn)?shù)：103297638。其中，評(píng)分值都是整數(shù)值（1～5之間），分?jǐn)?shù)越高則客戶對(duì)相應(yīng)電影的評(píng)分就越高。本實(shí)驗(yàn)分為兩組，第一組使用整個(gè)數(shù)據(jù)集（665MB）為DataSet1；第二組隨機(jī)抽取5000萬(wàn)條數(shù)據(jù)（330MB）作為DataSet2。將DataSet1、DataSet2分別分成兩部分，其中90%歸為訓(xùn)練數(shù)據(jù)集，10%歸為測(cè)試數(shù)據(jù)集。

4.2 結(jié)果分析

文中分別做了兩組實(shí)驗(yàn)，即基于ALS的協(xié)同過(guò)濾算法分別在基于Hadoop的MapReduce集群上和基于RDD的Spark集群上并行化實(shí)現(xiàn)?；贏LS的協(xié)同過(guò)濾算法模型中有兩個(gè)參數(shù)：特征個(gè)數(shù)（復(fù)數(shù)范圍內(nèi)，矩陣的階數(shù)和特征值個(gè)數(shù)是對(duì)應(yīng)的）、迭代次數(shù)Iteration。

在第一組實(shí)驗(yàn)中，數(shù)據(jù)集采用DataSet1，設(shè)定默認(rèn)特征個(gè)數(shù)為20，Iteration迭代次數(shù)依次為1、10、20、30、40、50，分別在集群上的實(shí)驗(yàn)結(jié)果如圖4所示。

圖4 DataSet1

由圖4可以看出，隨著Iteration的增加，基于ALS的協(xié)同過(guò)濾算法分別在兩種集群上的運(yùn)行時(shí)間比例也在增加，當(dāng)?shù)螖?shù)Iteration增加為50時(shí)，比例為3.3。由圖4可知，當(dāng)?shù)螖?shù)設(shè)置為1次時(shí)，ALS協(xié)同過(guò)濾算法在基于Hadoop的MapReduce集群上運(yùn)行時(shí)間比在基于內(nèi)存的Spark集群上的運(yùn)行時(shí)間短，原因是ALS協(xié)同過(guò)濾算法在基于內(nèi)存的集群上的第一次迭代與基于Hadoop的MapReduce一樣，需要?jiǎng)?chuàng)建新job，所以在基于內(nèi)存的Spark集群上實(shí)現(xiàn)第一次迭代時(shí)運(yùn)行速度比較慢。據(jù)之前分析，對(duì)基于Hadoop的MapReduce實(shí)現(xiàn)方式，每迭代一次就需要?jiǎng)?chuàng)建一個(gè)新的分布式j(luò)ob，如果迭代次數(shù)越多，需要執(zhí)行的分布式j(luò)ob數(shù)量就越多。所以，隨著迭代次數(shù)的增加，基于內(nèi)存的Spark集群上的實(shí)現(xiàn)方式無(wú)需建立新的分布式j(luò)ob的優(yōu)勢(shì)得以發(fā)揮，該算法運(yùn)算效率也提高的更明顯。

在第二組實(shí)驗(yàn)中，數(shù)據(jù)集采用DataSet2，設(shè)定默認(rèn)特征個(gè)數(shù)為20，Iteration迭代次數(shù)依次為1，10，20，30，40，50，分別在集群上的實(shí)驗(yàn)結(jié)果如圖5所示。

圖5 DataSet2

由圖5可以看出，同第一組實(shí)驗(yàn)，隨著Iteration的增加，基于ALS的協(xié)同過(guò)濾算法分別在兩種集群上的運(yùn)行時(shí)間比例也在增加，當(dāng)?shù)螖?shù)Iteration增加為50時(shí)，比例為2∶1。據(jù)之前分析可知，數(shù)據(jù)集越大創(chuàng)建新的分布式j(luò)ob所需要的時(shí)間就越久，基于內(nèi)存的Spark集群實(shí)現(xiàn)方式比基于Hadoop的MapReduce實(shí)現(xiàn)方式優(yōu)勢(shì)更加明顯，而第二組實(shí)驗(yàn)數(shù)據(jù)集DataSet2比第一組實(shí)驗(yàn)數(shù)據(jù)集DataSet1小，故第二組實(shí)驗(yàn)比第一組實(shí)驗(yàn)運(yùn)行效率提高的比例小。

通過(guò)以上兩組實(shí)驗(yàn)，可以看出當(dāng)數(shù)據(jù)集越大，算法設(shè)置的迭代次數(shù)Iteration越多，并行ALS協(xié)同過(guò)濾算法在基于內(nèi)存的Spark集群上的運(yùn)算效率提高的就越多。

5 結(jié)語(yǔ)

文章構(gòu)建了基于QJM的HA下的大數(shù)據(jù)平臺(tái)，并通過(guò)對(duì)基于ALS即交替最小二乘法的協(xié)同過(guò)濾算法進(jìn)行研究，將基于ALS的協(xié)同過(guò)濾算法分別在基于Hadoop的MapReduce和基于內(nèi)存的Spark上并行化實(shí)現(xiàn)，在Netflix數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，結(jié)果表明通過(guò)在基于內(nèi)存的Spark集群上提高了基于ALS協(xié)同過(guò)濾算法的分布式計(jì)算效率。

由于實(shí)驗(yàn)數(shù)據(jù)量還不夠大，還不能看出基于內(nèi)存的Spark對(duì)計(jì)算效率的顯著提升，據(jù)之前的原理分析可知，如果數(shù)據(jù)量越大，基于內(nèi)存的Spark計(jì)算效率的提升就會(huì)越明顯。Spark作為基于內(nèi)存的分布式數(shù)據(jù)處理框架，接下來(lái)需要展開(kāi)的研究如下：1）智能化ALS模型訓(xùn)練參數(shù)的選擇，幫助我們自動(dòng)選擇最優(yōu)參數(shù)；2）基于Spark Streaming的ALS協(xié)同過(guò)濾算法研究。

［1］鄧鵬，李枚毅，何誠(chéng).Namenode單點(diǎn)故障解決方案研究［J］.計(jì)算機(jī)工程，2012，38（21）：40-44.DENG Peng，LI Meiyi，HE Cheng.Research on Namenode Single Point of Fault Solution［J］.Computer Engineering，2012，38（21）：40-44.

［2］楊帆.Hadoop平臺(tái)高可用性方案的設(shè)計(jì)與實(shí)現(xiàn)［D］.北京：北京郵電大學(xué)，2012.YANG Fan.Design and Implementation of High Availability Solution for Hadoop［D］.Beijing：Beijing University Of Posts And Telecommunications，2012.

［3］黃強(qiáng)，沈奇威，李煒.Hadoop高可用解決方案研究［J］.電信技術(shù)，2015（11）：16-19.HUANG Qiang，SHEN Qiwei，LI Wei.Research on High Availability Solution for Hadoop［J］.Telecommunications Technology，2015（11）：16-19.

［4］張宇，程久軍.基于MapReduce的矩陣分解推薦算法研究［J］.計(jì)算機(jī)科學(xué)，2013，631-632（1）：138-141.ZHANG Yu，CHENG Jiujun.Study on Recommendation Algorithm with Matrix Factorization Method Based on MapReduce［J］.Computer Science，2013，631-632（1）：138-141.

［5］劉青文.基于協(xié)同過(guò)濾的推薦算法研究［D］.合肥：中國(guó)科學(xué)技術(shù)大學(xué)，2013.LIU Qingwen.Research on Recommender Systems based on Collaborative Filtering［D］.Hefei：University of Science and Technology of China，2013.

［6］劉強(qiáng).協(xié)同過(guò)濾推薦系統(tǒng)中的關(guān)鍵算法研究［D］.杭州：浙江大學(xué)，2013.LIU Qiang.Study on key algorithms in Collaborative Filtering Recommender Systems［D］.Hangzhou：Zhejiang University，2013.

［7］原默晗，唐晉韜，王挺.一種高效的分布式相似短文本聚類算法［J］.計(jì)算機(jī)與數(shù)字工程，2016，44（5）：895-900.YUAN Mohan，TANG Jintao，WANG Ting.An Efficient Distributed Similar Short Texts Clustering Algorithm［J］.Computer&Digital Engineering，2016，44（5）：895-900.

［8］孫遠(yuǎn)帥.基于大數(shù)據(jù)的推薦算法研究［D］.廈門：廈門大學(xué)，2014.SUN Yuanshuai.Recommendation Algorithms in the Big Data Era［D］.Xiamen：Xiamen University，2014.

［9］鄧雄杰.基于Hadoop的推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)［D］.廣州：華南理工大學(xué)，2013.DENG Xiongjie.The Design and Implementation of Recommendation System based on Hadoop［D］.Guangzhou：South China University of Technology，2013.

［10］鄭鳳飛，黃文培，賈明正.基于Spark的矩陣分解推薦算法［J］.計(jì)算機(jī)應(yīng)用，2015，35（10）：2781-2783.ZHENG Fengfei，HUANG Wenpei，JIA Mingzheng.Matrix factorization recommendation algorithm based on Spark［J］.Journal of Computer Applications，2015，35（10）：2781-2783.

［11］陳夢(mèng)杰，陳勇旭，賈益斌，等.基于Hadoop的大數(shù)據(jù)查詢系統(tǒng)簡(jiǎn)述［J］.計(jì)算機(jī)與數(shù)字工程，2013，41（12）：1939-1942.CHEN Mengjie，CHEN Yongxu，JIA Yibin，et al.A Brief Introduction Hadoop—based Big Data Query System［J］.Computer& DigitalEngineering，2013，41（12） ：1939-1942.

Research on Parallel Als Algorithm Based on Spark

HOU Jingru WU Sheng LI Yingna
（Kunming University of Science and Technology，School of Information Engineering and Automation，Kunming 650500）

ALS（least square）is a collaborative filtering recommendation algorithm recommended by matrix decomposition，it is calculated by a combination of a large number of user rating data，and stored the calculation process of a large number of characteristic matrix.Hadoop-HA（High Available）is used to solve the problem of the single point of failure of the NameNode.The Spark is a computing framework based on new type of large data come up with distributed memory，at the same time it has excellent computing performance.This study uses the QJM（Quorum Journal Manager）to construct the HA Hadoop big data platform.In this study，uses the ALS collaborative filtering algorithm with the spark coding Framework，at the same time，this study realizes the ALS collaborative filtering algorithm based on the Spark of parallel operation.Through the comparation experiments（the ALS collaborative filtering algorithm based on Hadoop graphs thought and the Netflix data set），the study based on Spark platform of parallel computation is more efficiency.It is more suitable for processing huge amounts of data.

ALS，collaborative filtering，Matrix decomposition，High Available，Spark

TP301

10.3969/j.issn.1672-9722.2017.11.024

Class Number TP301

2017年5月12日，

2017年6月14日

國(guó)家自然科學(xué)基金項(xiàng)目（編號(hào)：51467007）資助。

侯敬儒，男，碩士研究生，研究方向：數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí)。