| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究现状 | 第10-13页 |
| 1.2.1 协同过滤算法研究现状 | 第10-12页 |
| 1.2.2 受限玻尔兹曼机研究现状 | 第12-13页 |
| 1.2.3 基于受限玻尔兹曼机的协同过滤算法研究现状 | 第13页 |
| 1.3 研究内容 | 第13-14页 |
| 1.4 论文组织结构 | 第14-15页 |
| 第二章 相关技术概述 | 第15-34页 |
| 2.1 协同过滤概述 | 第15-20页 |
| 2.1.1 基本概念 | 第15页 |
| 2.1.2 协同过滤工作流程 | 第15-17页 |
| 2.1.3 相似性计算方法 | 第17-19页 |
| 2.1.4 推荐系统的评价标准 | 第19-20页 |
| 2.2 基于信任的协同过滤概述 | 第20-23页 |
| 2.2.1 信任的定义和性质 | 第21-22页 |
| 2.2.2 信任的分类 | 第22-23页 |
| 2.3 受限玻尔兹曼机模型概述 | 第23-30页 |
| 2.3.1 受限玻尔兹曼机基本模型 | 第23-26页 |
| 2.3.2 基于对比散度的学习算法 | 第26-27页 |
| 2.3.3 基于RBM的协同过滤算法 | 第27-28页 |
| 2.3.4 基于Conditional RBM的协同过滤算法 | 第28-29页 |
| 2.3.5 基于实值RBM的协同过滤算法 | 第29-30页 |
| 2.4 Spark概述 | 第30-33页 |
| 2.4.1 Spark体系结构 | 第30-31页 |
| 2.4.2 弹性分布数据集 | 第31-32页 |
| 2.4.3 Spark运行机理 | 第32-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第三章 利用社交关系的实值条件受限玻尔兹曼机协同过滤推荐算法 | 第34-59页 |
| 3.1 Real-Valued Conditional RBM(R_CRBM) | 第34-36页 |
| 3.2 基于推理的最近信任好友R_CRBM算法 | 第36-42页 |
| 3.2.1 直接信任度计算 | 第37页 |
| 3.2.2 间接信任度计算 | 第37-38页 |
| 3.2.3 进行信任传递的原因 | 第38-39页 |
| 3.2.4 基于MoleTrust推理的最近信任好友R_CRBM算法 | 第39-42页 |
| 3.3 实验结果及分析 | 第42-57页 |
| 3.3.1 数据集 | 第42页 |
| 3.3.2 百度数据集实验结果及分析 | 第42-51页 |
| 3.3.3 Epinions数据集实验结果及分析 | 第51-57页 |
| 3.4 本章小结 | 第57-59页 |
| 第四章 基于Spark的大数据环境下的并行化 | 第59-68页 |
| 4.1 R_CRBM_NTFMT算法的时间复杂度分析 | 第59-60页 |
| 4.2 R_CRBM_NTFMT算法在本地电脑的运行时间实验 | 第60-61页 |
| 4.3 基于Spark的R_CRBM模型的并行化方案 | 第61-63页 |
| 4.4 R_CRBM_NTFMT算法的运行时间与数据量的关系实验 | 第63-64页 |
| 4.5 可扩展性实验及结果分析 | 第64-66页 |
| 4.6 基于Spark的R_CRBM_NTFMT算法并行化方案预测效果的实验 | 第66-67页 |
| 4.7 本章小结 | 第67-68页 |
| 第五章 总结与展望 | 第68-70页 |
| 5.1 总结 | 第68页 |
| 5.2 未来研究 | 第68-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-75页 |
