基于Spark的新闻推荐系统的设计与实现
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景与研究意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9页 |
| 1.1.2 研究意义 | 第9-10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.2.1 新闻推荐系统的对比 | 第10-11页 |
| 1.2.2 新闻推荐系统面临的主要问题 | 第11-12页 |
| 1.3 课题研究目标及主要内容 | 第12页 |
| 1.4 论文章节安排 | 第12-15页 |
| 第2章 基础理论及技术 | 第15-21页 |
| 2.1 推荐系统的分类 | 第15-16页 |
| 2.1.1 基于协同过滤类的推荐系统 | 第15页 |
| 2.1.2 基于内容类的推荐系统 | 第15-16页 |
| 2.2 Spark基础技术 | 第16-19页 |
| 2.2.1 HDFS分布式系统 | 第16-17页 |
| 2.2.2 Spark计算框架 | 第17-19页 |
| 2.3 本章小结 | 第19-21页 |
| 第3章 新闻推荐系统关键技术研究 | 第21-31页 |
| 3.1 数据稀疏度问题的解决方法 | 第21-25页 |
| 3.1.1 问题分析 | 第21页 |
| 3.1.2 相似度传递算法 | 第21-25页 |
| 3.2 用户偏好模型问题的解决方法 | 第25-28页 |
| 3.2.1 问题分析 | 第25页 |
| 3.2.2 融入时间权重的隐语义模型 | 第25-28页 |
| 3.3 数据计算实时性问题的解决方法 | 第28-30页 |
| 3.3.1 问题分析 | 第28页 |
| 3.3.2 相似度传递在Spark平台的实现 | 第28-29页 |
| 3.3.3 改进隐语义模型在Spark平台的实现 | 第29-30页 |
| 3.4 本章小结 | 第30-31页 |
| 第4章 新闻推荐系统设计与实现 | 第31-49页 |
| 4.1 系统需求分析 | 第31-36页 |
| 4.1.1 系统功能需求分析 | 第31-33页 |
| 4.1.2 系统用例分析 | 第33-36页 |
| 4.1.3 系统非功能性需求分析 | 第36页 |
| 4.2 系统总体设计 | 第36-40页 |
| 4.2.1 系统设计原则 | 第36-37页 |
| 4.2.2 系统总体架构 | 第37-38页 |
| 4.2.3 系统框架设计 | 第38-40页 |
| 4.3 系统功能设计与实现 | 第40-47页 |
| 4.3.1 数据获取模块 | 第40-42页 |
| 4.3.2 新闻内容建模模块 | 第42-43页 |
| 4.3.3 用户兴趣建模模块 | 第43-46页 |
| 4.3.4 新闻推荐策略模块 | 第46-47页 |
| 4.4 本章小结 | 第47-49页 |
| 第5章 系统测试与实验分析 | 第49-65页 |
| 5.1 系统开发测试环境 | 第49-54页 |
| 5.1.1 系统开发环境 | 第49页 |
| 5.1.2 系统搭建 | 第49-54页 |
| 5.2 实验分析 | 第54-63页 |
| 5.2.1 实验数据与评价指标 | 第54-56页 |
| 5.2.2 新闻关键词提取算法实验验证 | 第56-57页 |
| 5.2.3 融入时间权重的LFM实验验证 | 第57-61页 |
| 5.2.4 相似度传递算法实验验证 | 第61-63页 |
| 5.2.5 引入Spark前后的系统性能对比 | 第63页 |
| 5.3 本章小结 | 第63-65页 |
| 结论 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 攻读硕士学位期间取得的研究成果 | 第71-73页 |
| 致谢 | 第73页 |
