基于Hadoop的视频推荐系统的研究与应用
| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 1 绪论 | 第12-16页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-14页 |
| 1.3 推荐技术面临的问题 | 第14页 |
| 1.4 研究的内容和意义 | 第14-15页 |
| 1.5 论文的组织结构 | 第15-16页 |
| 2 推荐系统主要算法和应用 | 第16-34页 |
| 2.1 推荐系统简介 | 第16-17页 |
| 2.2 推荐系统相关技术 | 第17-24页 |
| 2.2.1 贝叶斯分类算法 | 第17-19页 |
| 2.2.2 基于内容的推荐 | 第19-21页 |
| 2.2.3 协同过滤推荐 | 第21-23页 |
| 2.2.4 基于关联规则的推荐 | 第23-24页 |
| 2.3 主要推荐算法的对比 | 第24-25页 |
| 2.4 HADOOP相关技术 | 第25-33页 |
| 2.4.1 HDFS文件系统 | 第27-29页 |
| 2.4.2 HDFS的高可用性 | 第29-30页 |
| 2.4.3 Hadoop的mapreduce框架 | 第30-32页 |
| 2.4.4 Mapreduce计算模型 | 第32-33页 |
| 2.5 本章小结 | 第33-34页 |
| 3 视频推荐算法的设计与实现 | 第34-46页 |
| 3.1 提出问题 | 第34页 |
| 3.2 现有推荐系统存在问题解决方案 | 第34-36页 |
| 3.2.1 数据稀疏问题 | 第34-35页 |
| 3.2.2 数据稀疏现有的解决方法 | 第35页 |
| 3.2.3 冷启动问题 | 第35页 |
| 3.2.4 冷启动问题现有解决方案 | 第35-36页 |
| 3.3 混合推荐算法的设计与实现 | 第36-45页 |
| 3.3.1 混合算法的提出及设计 | 第36-37页 |
| 3.3.2 用户分类 | 第37-38页 |
| 3.3.3 基于关联规则的推荐 | 第38-41页 |
| 3.3.4 数据稀疏解决方案 | 第41页 |
| 3.3.5 推荐系统冷启动问题 | 第41-44页 |
| 3.3.6 推荐系统协同过滤算法对比 | 第44-45页 |
| 3.3.7 相似性提供推荐 | 第45页 |
| 3.4 本章小结 | 第45-46页 |
| 4 仿真实验分析与验证 | 第46-51页 |
| 4.1 实验环境的搭建 | 第46页 |
| 4.2 数据集 | 第46-47页 |
| 4.3 评测标准 | 第47页 |
| 4.4 实验设计 | 第47-48页 |
| 4.5 实验结果及分析 | 第48-50页 |
| 4.6 本章小结 | 第50-51页 |
| 5 基于Hadoop的视频推荐系统的实现 | 第51-67页 |
| 5.1 视频推荐系统需求分析 | 第51-52页 |
| 5.2 基于Hadoop平台推荐系统的结构设计 | 第52-53页 |
| 5.3 推荐系统架构 | 第53-55页 |
| 5.4 推荐系统设计 | 第55-58页 |
| 5.4.1 推荐过程 | 第55-56页 |
| 5.4.2 推荐模块类图 | 第56-58页 |
| 5.4.3 离线数据处理过程 | 第58页 |
| 5.5 数据库设计 | 第58-63页 |
| 5.6 推荐系统主界面展示 | 第63页 |
| 5.7 推荐系统测试 | 第63-66页 |
| 5.7.1 推荐系统功能测试 | 第63-65页 |
| 5.7.2 推荐系统性能测试 | 第65-66页 |
| 5.8 本章小结 | 第66-67页 |
| 6 总结与展望 | 第67-69页 |
| 6.1 本文总结 | 第67页 |
| 6.2 展望 | 第67-69页 |
| 参考文献 | 第69-71页 |
| 致谢 | 第71-72页 |
| 攻读学位期间发表的学术论文目录 | 第72-73页 |
| 附件 | 第73页 |
