| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第7-12页 |
| 1.1 研究背景与意义 | 第7-9页 |
| 1.1.1 研究背景 | 第7-8页 |
| 1.1.2 研究意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 本文的研究内容 | 第10页 |
| 1.4 论文的组织结构 | 第10-11页 |
| 本章小结 | 第11-12页 |
| 第二章 基本概念与技术 | 第12-25页 |
| 2.1 协同过滤算法 | 第12-16页 |
| 2.1.1 算法概述及其存在的问题 | 第12-13页 |
| 2.1.2 算法评测方法与指标 | 第13-16页 |
| 2.2 矩阵分解基础算法LFM | 第16-19页 |
| 2.2.1 模型表示 | 第17-18页 |
| 2.2.2 随机梯度下降SGD | 第18页 |
| 2.2.3 交换最小二乘法ALS | 第18-19页 |
| 2.3 大数据处理框架Spark | 第19-23页 |
| 2.3.1 Spark生态系统BDAS | 第20-21页 |
| 2.3.2 弹性分布式数据集RDD | 第21-22页 |
| 2.3.3 Spark运行机制及原理 | 第22-23页 |
| 本章小结 | 第23-25页 |
| 第三章 结合权重因子和隐式模型的推荐算法 | 第25-31页 |
| 3.1 改进的矩阵分解算法CSVD算法和NCSVD算法 | 第25-27页 |
| 3.1.1 权重因子cu | 第26页 |
| 3.1.2 CSVD算法 | 第26-27页 |
| 3.1.3 NCSVD算法 | 第27页 |
| 3.2 真实数据集上的实验分析 | 第27-30页 |
| 3.2.1 测试数据集 | 第27-28页 |
| 3.2.2 参数选择与评价标准 | 第28页 |
| 3.2.3 实验结果与分析 | 第28-30页 |
| 本章小结 | 第30-31页 |
| 第四章 结合信任模型的矩阵分解推荐算法 | 第31-37页 |
| 4.1 结合信任模型的矩阵分解推荐算法 | 第31-33页 |
| 4.1.1 信任的定义 | 第31页 |
| 4.1.2 改进的矩阵分解推荐算法TrustSVD++ | 第31-33页 |
| 4.2 真实数据集上的实验分析 | 第33-35页 |
| 4.2.1 测试数据集与评价标准 | 第33页 |
| 4.2.2 实验平台LibRec介绍 | 第33-35页 |
| 4.2.3 实验结果与分析 | 第35页 |
| 本章小结 | 第35-37页 |
| 第五章 基于Spark的CSVD算法并行研究 | 第37-43页 |
| 5.1 基于Spark的CSVD算法的并行化设计 | 第37-39页 |
| 5.2 基于Spark的CSVD算法的并行化实现 | 第39-40页 |
| 5.3 实验结果与分析 | 第40-42页 |
| 5.3.1 实验环境与数据集 | 第40-41页 |
| 5.3.2 实验结果与分析 | 第41-42页 |
| 本章小结 | 第42-43页 |
| 第六章 总结与展望 | 第43-45页 |
| 致谢 | 第45-46页 |
| 参考文献 | 第46-49页 |
| 附录 | 第49-50页 |
| 图版 | 第50-51页 |