| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9-12页 |
| 1.1.1 IPTV推荐系统背景 | 第9-10页 |
| 1.1.2 IPTV推荐系统存在问题 | 第10-11页 |
| 1.1.3 分布式推荐算法 | 第11-12页 |
| 1.2 本文研究内容及目的 | 第12页 |
| 1.3 本文组织结构 | 第12-13页 |
| 1.4 本章小结 | 第13-15页 |
| 第二章 相关研究工作 | 第15-25页 |
| 2.1 IPTV中的推荐技术 | 第15-20页 |
| 2.1.1 基于内容的推荐算法 | 第15-16页 |
| 2.2.2 协同过滤推荐算法 | 第16-19页 |
| 2.2.3 基于上下文推荐算法 | 第19-20页 |
| 2.2 云计算相关技术 | 第20-23页 |
| 2.2.1 Google云计算理论研究 | 第20-21页 |
| 2.2.2 Hadoop对Google云计算理论的技术实现 | 第21-23页 |
| 2.3 本章小结 | 第23-25页 |
| 第三章 基于内容与隐性上下文信息的IPTV混合推荐 | 第25-37页 |
| 3.1 IPTV节目信息矩阵 | 第25-27页 |
| 3.2 基于内容的推荐算法 | 第27-30页 |
| 3.3 隐性上下文信息发掘 | 第30-33页 |
| 3.3.1 时间上下文模型建立 | 第30-32页 |
| 3.3.2 隐性评分计算 | 第32-33页 |
| 3.4 基于隐性上下文信息的推荐算法 | 第33-35页 |
| 3.4.1 最近邻居选取 | 第33-34页 |
| 3.4.2 产生推荐 | 第34-35页 |
| 3.5 混合推荐策略的探究 | 第35-36页 |
| 3.6 本章小结 | 第36-37页 |
| 第四章 基于云计算的推荐算法实现 | 第37-47页 |
| 4.1 基于MapReduce的算法实现基础 | 第37-39页 |
| 4.2 基于隐性上下文推荐算法的分布式实现 | 第39-44页 |
| 4.3 基于内容推荐算法的分布式实现 | 第44-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第五章 实验分析及讨论 | 第47-55页 |
| 5.1 实验数据集 | 第47-48页 |
| 5.2 混合推荐算法实验及分析 | 第48-51页 |
| 5.2.1 基于隐性上下文信息的推荐算法实验 | 第48-50页 |
| 5.2.2 混合推荐算法实验 | 第50-51页 |
| 5.3 基于云计算的推荐算法效率实验及分析 | 第51-52页 |
| 5.4 本章小结 | 第52-55页 |
| 第六章 总结与展望 | 第55-57页 |
| 6.1 本文工作总结 | 第55页 |
| 6.2 进一步工作展望 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-63页 |
| 攻读学位期间发表的学术论文目录 | 第63页 |