| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 推荐系统可扩展性问题 | 第11-12页 |
| 1.4 本文研究内容 | 第12页 |
| 1.5 本文的组织结构 | 第12-15页 |
| 第2章 Hadoop框架 | 第15-25页 |
| 2.1 HDFS | 第16-18页 |
| 2.1.1 设计原则 | 第16-17页 |
| 2.1.2 NameNode和DataNode | 第17-18页 |
| 2.2 MapReduce | 第18-23页 |
| 2.2.1 MapReduce架构 | 第18-19页 |
| 2.2.2 Input Forma和Output Format | 第19-21页 |
| 2.2.3 MapReduce执行流程 | 第21-23页 |
| 2.3 本章小结 | 第23-25页 |
| 第3章 推荐系统研究 | 第25-37页 |
| 3.1 信息输入模块 | 第26-27页 |
| 3.2 推荐生成模块 | 第27-33页 |
| 3.2.1 协同过滤算法 | 第27-30页 |
| 3.2.2 基于网络结构的推荐算法 | 第30-33页 |
| 3.3 推荐输出模块 | 第33-35页 |
| 3.4 算法扩展性研究 | 第35页 |
| 3.5 本章小结 | 第35-37页 |
| 第4章 基于Hadoop的推荐算法设计 | 第37-57页 |
| 4.1 算法流程 | 第37-40页 |
| 4.1.1 不确定性传播算法 | 第37-39页 |
| 4.1.2 全局排序算法 | 第39页 |
| 4.1.3 一种基于项目的协同过滤算法 | 第39-40页 |
| 4.2 不确定性传播算法的MapReduce并行化 | 第40-53页 |
| 4.2.1 度计算 | 第40-42页 |
| 4.2.2 资源转移矩阵计算 | 第42-49页 |
| 4.2.3 推荐矩阵计算 | 第49-53页 |
| 4.3 全局排序算法算法的MapReduce并行化 | 第53页 |
| 4.3.1 推荐结果计算 | 第53页 |
| 4.4 一种基于项目的协同过滤算法的MapReduce并行化 | 第53-56页 |
| 4.4.1 计算共同出现次数 | 第53-55页 |
| 4.4.2 计算相似性矩阵 | 第55-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第5章 实验与结果分析 | 第57-75页 |
| 5.1 实验数据 | 第57页 |
| 5.2 实验环境搭建 | 第57-66页 |
| 5.2.1 网络设置 | 第58-59页 |
| 5.2.2 SSH无密码登陆 | 第59页 |
| 5.2.3 参数设置 | 第59-61页 |
| 5.2.4 启动集群 | 第61-66页 |
| 5.3 任务运行优化 | 第66-68页 |
| 5.3.1 任务分析 | 第66页 |
| 5.3.2 任务优化 | 第66-68页 |
| 5.4 实验结果 | 第68-73页 |
| 5.4.1 参数优化结果 | 第68-69页 |
| 5.4.2 命中率 | 第69-70页 |
| 5.4.3 加速比 | 第70-73页 |
| 5.5 本章小结 | 第73-75页 |
| 结论 | 第75-77页 |
| 参考文献 | 第77-81页 |
| 攻读硕士学位期间取得的研究成果 | 第81-83页 |
| 致谢 | 第83页 |
