基于Spark的实时电影推荐系统研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 引言 | 第9-16页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 推荐系统的研究现状 | 第10-12页 |
| 1.2.2 深度学习在推荐系统研究现状 | 第12-13页 |
| 1.2.3 基于Spark的推荐系统研究现状 | 第13-14页 |
| 1.3 论文研究内容 | 第14页 |
| 1.4 论文的组织结构 | 第14-16页 |
| 第2章 基本理论及相关技术 | 第16-37页 |
| 2.1 大数据相关技术 | 第16-23页 |
| 2.1.1 Spark架构介绍 | 第16-21页 |
| 2.1.2 HDFS分布式文件存储 | 第21-22页 |
| 2.1.3 Kafka分布式流式框架 | 第22-23页 |
| 2.2 推荐系统 | 第23-34页 |
| 2.2.1 推荐算法的分类 | 第23-24页 |
| 2.2.2 显式反馈与隐式反馈 | 第24-26页 |
| 2.2.3 推荐算法 | 第26-33页 |
| 2.2.4 推荐系统的评估 | 第33-34页 |
| 2.3 感知机 | 第34-36页 |
| 2.4 本章小结 | 第36-37页 |
| 第3章 推荐算法推荐质量改进研究 | 第37-49页 |
| 3.1 隐式反馈数值化 | 第37-38页 |
| 3.2 多层感知机协同过滤 | 第38-41页 |
| 3.2.1 矩阵分解-神经网络模型 | 第39-40页 |
| 3.2.2 多层感知机 | 第40-41页 |
| 3.3 实验比较 | 第41-48页 |
| 3.3.1 实验设置 | 第42-47页 |
| 3.3.2 性能比较 | 第47-48页 |
| 3.4 本章小结 | 第48-49页 |
| 第4章 实时推荐系统的设计与实现 | 第49-60页 |
| 4.1 实时推荐系统 | 第49-50页 |
| 4.1.1 问题的引入 | 第49页 |
| 4.1.2 实时推荐系统架构 | 第49-50页 |
| 4.2 需求分析 | 第50-51页 |
| 4.3 系统模块设计与实现 | 第51-59页 |
| 4.3.1 数据存储模块 | 第53-54页 |
| 4.3.2 用户评分模块 | 第54-55页 |
| 4.3.3 数据预处理模块 | 第55页 |
| 4.3.4 模型训练 | 第55-59页 |
| 4.4 本章小结 | 第59-60页 |
| 结论 | 第60-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 攻读学位期间取得学术成果 | 第67页 |
