| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 论文研究背景及意义 | 第10-11页 |
| 1.1.1 论文研究背景 | 第10-11页 |
| 1.1.2 本文工作意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 论文工作内容 | 第12-13页 |
| 1.4 论文结构安排 | 第13-14页 |
| 第2章 相关技术 | 第14-22页 |
| 2.1 HDFS、SPARK和EIASTICSEARCH | 第14-17页 |
| 2.1.1 HDFS | 第14-15页 |
| 2.1.2 Spark | 第15-16页 |
| 2.1.3 ElasticSearch | 第16-17页 |
| 2.2 相关推荐方案 | 第17-19页 |
| 2.2.1 相似度 | 第17-18页 |
| 2.2.2 相关推荐方案 | 第18-19页 |
| 2.3 因子分解机预测模型 | 第19-20页 |
| 2.4 本章小结 | 第20-22页 |
| 第3章 分布式索引及检索方案 | 第22-34页 |
| 3.1 基于分类策略的分布式索引 | 第23-29页 |
| 3.1.1 分类策略-树状倒排索引 | 第23-25页 |
| 3.1.2 分布式索引方案及复杂度分析 | 第25-29页 |
| 3.2 基于切片策略的分布式检索 | 第29-33页 |
| 3.2.1 切片策略-哈希及冗余存储 | 第29-30页 |
| 3.2.2 分布式检索方案及复杂度分析 | 第30-33页 |
| 3.3 本章小结 | 第33-34页 |
| 第4章 无评分业务场景下的分布式推荐方案 | 第34-58页 |
| 4.1 无评分业务场景和共现模型 | 第34-37页 |
| 4.1.1 无评分业务场景 | 第34-36页 |
| 4.1.2 共现模型 | 第36-37页 |
| 4.2 改进的协同过滤推荐 | 第37-44页 |
| 4.2.1 基于点击历史的协同过滤推荐 | 第38-40页 |
| 4.2.2 基于用户的协同过滤推荐 | 第40-44页 |
| 4.3 因子分解机模型预测及推荐示例 | 第44-56页 |
| 4.4 本章小结 | 第56-58页 |
| 第5章 测试结果与分析 | 第58-68页 |
| 5.1 测试环境 | 第58-60页 |
| 5.2 相关测试及分析 | 第60-66页 |
| 5.2.1 索引测试及分析 | 第60-62页 |
| 5.2.2 检索方案的测试及分析 | 第62-65页 |
| 5.2.3 推荐方案的测试及分析 | 第65-66页 |
| 5.3 本章小结 | 第66-68页 |
| 第6章 总结与展望 | 第68-70页 |
| 6.1 工作总结 | 第68-69页 |
| 6.2 工作展望 | 第69-70页 |
| 参考文献 | 第70-76页 |
| 致谢 | 第76页 |