基于Hadoop与Mahout推荐技术的研究与实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 课题研究的背景与意义 | 第14-16页 |
| 1.1.1 课题研究的背景 | 第14页 |
| 1.1.2 研究的意义 | 第14-16页 |
| 1.2 国内外现状介绍 | 第16-18页 |
| 1.3 论文主要工作介绍 | 第18页 |
| 1.4 论文结构 | 第18-20页 |
| 第二章 相关概念与概述 | 第20-38页 |
| 2.1 Hadoop分布式平台 | 第20-26页 |
| 2.1.1 Hadoop概述 | 第20页 |
| 2.1.2 Hadoop的总体结构与模块简介 | 第20-26页 |
| 2.2 Mahout介绍 | 第26-27页 |
| 2.2.1 基于Mahout的推荐引擎介绍 | 第26页 |
| 2.2.2 基于Mahout的聚类技术的介绍 | 第26-27页 |
| 2.2.3 基于Mahout的分类技术介绍 | 第27页 |
| 2.3 Mahout中推荐策略 | 第27-38页 |
| 2.3.1 Slope one推荐算法概述 | 第27-28页 |
| 2.3.2 Mahout中分类推荐算法 | 第28-38页 |
| 第三章 基于用户特征的推荐算法 | 第38-52页 |
| 3.1 用户的特征分析 | 第38-42页 |
| 3.1.1 用户特征描述 | 第38-39页 |
| 3.1.2 用户爱好特征数据获取 | 第39-40页 |
| 3.1.3 爱好特征分析 | 第40-42页 |
| 3.2 冷启动问题改进 | 第42-43页 |
| 3.3 数据稀疏性改进 | 第43-45页 |
| 3.4 可扩展性改进 | 第45页 |
| 3.5 基于用户特征的推荐算法 | 第45-48页 |
| 3.5.1 算法思想 | 第45-46页 |
| 3.5.2 算法描述 | 第46-48页 |
| 3.5.3 算法优点 | 第48页 |
| 3.6 实验过程与实验分析 | 第48-50页 |
| 3.6.1 实验环境与数据 | 第48-49页 |
| 3.6.2 实验结果与分析 | 第49-50页 |
| 3.7 本章小结 | 第50-52页 |
| 第四章 基于Mahout技术邮件推送系统 | 第52-62页 |
| 4.1 引言 | 第52-53页 |
| 4.2 邮件推送系统的设计结构 | 第53-54页 |
| 4.3 训练模型流程 | 第54-57页 |
| 4.3.1 定义分类项目的目标 | 第55-56页 |
| 4.3.2 调整学习算法 | 第56页 |
| 4.3.3 特征向量编码 | 第56-57页 |
| 4.4 加速分类过程 | 第57-59页 |
| 4.4.1 特征向量的线性组合 | 第58页 |
| 4.4.2 模型得分的线性扩展 | 第58-59页 |
| 4.5 本章小结 | 第59-62页 |
| 第五章 总结与展望 | 第62-64页 |
| 5.1 工作总结 | 第62页 |
| 5.2 未来工作展望 | 第62-64页 |
| 参考文献 | 第64-66页 |
| 致谢 | 第66-68页 |
| 作者简介 | 第68-69页 |
