| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 Spark平台现状 | 第11-12页 |
| 1.2.2 推荐系统研究现状 | 第12-13页 |
| 1.2.3 基于Spark平台的推荐系统研究现状 | 第13-14页 |
| 1.3 论文研究内容 | 第14页 |
| 1.4 论文结构安排 | 第14-16页 |
| 2 基本理论与相关技术 | 第16-31页 |
| 2.1 Spark平台 | 第16-20页 |
| 2.1.1 Spark概述 | 第16-17页 |
| 2.1.2 RDD | 第17-19页 |
| 2.1.3 Spark平台的运行模式及流程 | 第19-20页 |
| 2.2 推荐系统 | 第20-26页 |
| 2.2.1 推荐系统概述 | 第21-23页 |
| 2.2.2 推荐系统分类 | 第23-24页 |
| 2.2.3 推荐系统评测 | 第24-25页 |
| 2.2.4 推荐系统存在的问题 | 第25-26页 |
| 2.3 基于邻域的推荐算法 | 第26-29页 |
| 2.3.1 基于用户的协同过滤推荐算法 | 第26-27页 |
| 2.3.2 基于项目的协同过滤推荐算法 | 第27-28页 |
| 2.3.3 两种推荐算法的比较 | 第28-29页 |
| 2.4 相似度算法 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 3 基于Spark平台的混合推荐算法的研究与实现 | 第31-51页 |
| 3.1 基于用户的协同过滤推荐算法的设计与实现 | 第31-37页 |
| 3.1.1 算法设计 | 第31-32页 |
| 3.1.2 算法实现 | 第32-37页 |
| 3.2 基于项目的协同过滤推荐算法的设计与实现 | 第37-42页 |
| 3.2.1 算法设计 | 第37-38页 |
| 3.2.2 算法实现 | 第38-42页 |
| 3.3 基于Spark平台的混合推荐算法的研究与实现 | 第42-50页 |
| 3.3.1 协同聚类 | 第42-48页 |
| 3.3.2 相似度计算 | 第48-49页 |
| 3.3.3 评分预测及Top-N推荐 | 第49-50页 |
| 3.4 本章小结 | 第50-51页 |
| 4 实验及结果分析 | 第51-62页 |
| 4.1 实验数据 | 第51-52页 |
| 4.2 用户信息选择和电影信息选择 | 第52-53页 |
| 4.3 评判准则 | 第53页 |
| 4.4 参数调节 | 第53-59页 |
| 4.4.1 聚类数量 | 第53-56页 |
| 4.4.2 扩充矩阵影响因子 | 第56-58页 |
| 4.4.3 评分预测组合因子 | 第58-59页 |
| 4.5 预测精确度对比 | 第59页 |
| 4.6 扩展性测试 | 第59-61页 |
| 4.7 本章小结 | 第61-62页 |
| 5 总结与展望 | 第62-64页 |
| 5.1 论文总结 | 第62页 |
| 5.2 工作展望 | 第62-64页 |
| 参考文献 | 第64-67页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第67-69页 |
| 学位论文数据集 | 第69页 |