摘要：许多推荐算法如基于矩阵分解因无法充分挖掘用户对项目的偏好信息而无法取得令人满意的推荐效果。为了解决上述问题,该文设计了两个模块,首先,利用多层感知机技术学习输入的信息以获得较好的特征表示,在原始输入时通过点积操作得到关系信息,并将其命名为深度矩阵分解(DeepMF);其次,在多层感知机中加入多层注意力网络,这样能够得到用户对项目的偏好信息。此外,点积操作应用于输出前是为了获得特征表达的关系信息,这一模块名为深度注意力矩阵分解(DeepAMF)。通过结合两个模块的优势得到联合多层注意力网络矩阵分解算法(MAMF),在四个公开数据集上的实验证明了MAMF算法的有效性。

摘要：针对各种场景下的海量终端的部署,本文设计了一套海量数据采集与实时分析系统,具体在数据采集模块,通过借助Kafka消息队列,实现数据的高并发接入;在数据分析模块,借助大数据流处理系统Storm,在保证高可靠性的前提下,实现数据的实时处理,并通过相应的优化设计,解决海量终端接入网络时的高并发访问与数据处理需求;通过可视化设计以及实验验证本文方法的有效性,系统具有低延迟,高吞吐,可拓展等特点,能够满足车联网海量数据处理要求,具有很强的实用价值,目前本文提出的方法已经应用在实际场景中,为20多万台北斗定位终端提供服务。