摘要 | 第3-5页 |
Abstract | 第5-6页 |
第一章 绪论 | 第9-14页 |
1.1 研究背景和意义 | 第9-10页 |
1.2 国内外研究现状 | 第10-11页 |
1.3 本文研究内容和创新特色 | 第11-13页 |
1.4 论文的组织结构 | 第13-14页 |
第二章 个性化推荐相关理论 | 第14-22页 |
2.1 个性化推荐算法介绍 | 第14-16页 |
2.1.1 推荐算法分类 | 第14页 |
2.1.2 推荐算法的常见数据集 | 第14-15页 |
2.1.3 推荐算法的评价标准 | 第15-16页 |
2.2 聚类分析介绍 | 第16-18页 |
2.2.1 聚类分析概述 | 第16-17页 |
2.2.2 聚类算法分类 | 第17-18页 |
2.2.3 聚类算法评估标准 | 第18页 |
2.3 Hadoop技术介绍 | 第18-21页 |
2.3.1 Hadoop概述 | 第18-19页 |
2.3.2 Hadoop存储——HDFS | 第19-20页 |
2.3.3 Hadoop计算——MapReduce | 第20-21页 |
2.4 本章小结 | 第21-22页 |
第三章 基于密度峰值改进的模糊C均值聚类算法 | 第22-37页 |
3.1 基于共享近邻距离的密度峰值聚类算法(DPCND) | 第22-33页 |
3.1.1 密度峰值聚类算法 | 第22-24页 |
3.1.2 密度峰值聚类算法存在的问题 | 第24页 |
3.1.3 DPCND算法描述 | 第24-26页 |
3.1.4 实验结果分析 | 第26-33页 |
3.2 基于密度峰值改进的模糊C均值聚类算法(DPCND-FCM) | 第33-35页 |
3.2.1 模糊C均值聚类算法 | 第33-34页 |
3.2.2 DPCND-FCM算法描述 | 第34页 |
3.2.3 实验结果分析 | 第34-35页 |
3.3 本章小结 | 第35-37页 |
第四章 基于MapReduce的DPCND-FCM聚类算法 | 第37-45页 |
4.1 MapReduce原理 | 第37-38页 |
4.2 基于MapReduce的DPCND-FCM算法(MrDPCND-FCM) | 第38-41页 |
4.2.1 算法描述 | 第38-40页 |
4.2.2 MapReduce的序列配置 | 第40-41页 |
4.3 实验结果分析 | 第41-44页 |
4.3.1 实验环境搭建 | 第41-42页 |
4.3.2 单机性能实验 | 第42-43页 |
4.3.3 集群性能实验 | 第43-44页 |
4.4 本章小结 | 第44-45页 |
第五章 基于MrDPCND-FCM聚类的分布式协同过滤推荐算法 | 第45-56页 |
5.1 协同过滤算法介绍 | 第45-47页 |
5.2 基于DPCND-FCM聚类的协同过滤推荐算法(DF-CF) | 第47-48页 |
5.2.1 模糊聚类的应用及其优势 | 第47页 |
5.2.2 算法描述 | 第47-48页 |
5.3 基于MrDPCND-FCM聚类的分布式协同过滤推荐算法(MrDF-CF) | 第48-51页 |
5.4 实验结果分析 | 第51-55页 |
5.4.1 算法参数分析 | 第51-52页 |
5.4.2 算法性能比较分析 | 第52-54页 |
5.4.3 算法可扩展性分析 | 第54-55页 |
5.5 本章小结 | 第55-56页 |
第六章 基于Hadoop的图书推荐系统的设计与实现 | 第56-66页 |
6.1 系统概述 | 第56页 |
6.2 数据预处理 | 第56-59页 |
6.2.1 抓取网页数据 | 第56-58页 |
6.2.2 数据整理 | 第58-59页 |
6.3 系统架构与设计 | 第59-61页 |
6.3.1 系统架构 | 第59-60页 |
6.3.2 分层与后端实现 | 第60-61页 |
6.4 系统功能实现与评测 | 第61-65页 |
6.4.1 系统功能实现 | 第61-63页 |
6.4.2 结果评测 | 第63-65页 |
6.5 本章小结 | 第65-66页 |
第七章 总结与展望 | 第66-68页 |
7.1 工作总结 | 第66页 |
7.2 展望 | 第66-68页 |
致谢 | 第68-69页 |
参考文献 | 第69-73页 |
附录:作者在攻读硕士学位期间发表的论文 | 第73页 |