| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题背景及研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 现有算法存在的问题 | 第12-13页 |
| 1.4 论文研究内容 | 第13-14页 |
| 1.5 论文的组织结构 | 第14-15页 |
| 第2章 协同深度推荐相关理论研究 | 第15-25页 |
| 2.1 协同深度推荐 | 第15-19页 |
| 2.1.1 自动编码机 | 第15-18页 |
| 2.1.2 矩阵分解 | 第18-19页 |
| 2.2 机器学习的并行加速 | 第19-20页 |
| 2.3 基于Spark的分布式计算框架 | 第20-24页 |
| 2.3.1 Spark分布式平台 | 第21-22页 |
| 2.3.2 Spark MLLib | 第22-23页 |
| 2.3.3 Scala Reflection | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 协同深度推荐的模型改进 | 第25-42页 |
| 3.1 引言 | 第25页 |
| 3.2 问题定义及模型改进 | 第25-30页 |
| 3.2.1 自动编码机的概率图模型 | 第26-28页 |
| 3.2.2 概率矩阵分解的概率图模型 | 第28-29页 |
| 3.2.3 CDL-i的概率图模型 | 第29-30页 |
| 3.3 CDL-i算法描述 | 第30-32页 |
| 3.4 CDL-i实验分析 | 第32-41页 |
| 3.4.1 实验环境 | 第32页 |
| 3.4.2 数据集描述 | 第32-33页 |
| 3.4.3 实验结果分析 | 第33-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第4章 协同深度推荐模型的并行化 | 第42-51页 |
| 4.1 引言 | 第42页 |
| 4.2 数据并行 | 第42-43页 |
| 4.3 模型并行 | 第43-44页 |
| 4.4 协同深度推荐(CDL-i)并行 | 第44-48页 |
| 4.5 并行化CDL-i的实验分析 | 第48-50页 |
| 4.5.1 实验环境 | 第48页 |
| 4.5.2 数据准备 | 第48页 |
| 4.5.3 单机试验结果分析 | 第48-49页 |
| 4.5.4 并行试验结果分析 | 第49-50页 |
| 4.6 本章小结 | 第50-51页 |
| 第5章 基于Spark的分布式机器学习框架 | 第51-61页 |
| 5.1 引言 | 第51页 |
| 5.2 框架建立动机 | 第51-52页 |
| 5.3 框架算法简述 | 第52-54页 |
| 5.4 数据处理与算法支持逻辑简述 | 第54-57页 |
| 5.5 框架扩展性介绍 | 第57-58页 |
| 5.6 Spark机器学习框架下协同深度学习推荐算法 | 第58-60页 |
| 5.7 本章小结 | 第60-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第67-68页 |
| 致谢 | 第68-69页 |
| 作者简介 | 第69页 |