基于Hadoop的协同过滤推荐系统研究与实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-19页 |
| 1.1 课题研究背景和意义 | 第15-16页 |
| 1.1.1 研究背景 | 第15-16页 |
| 1.1.2 研究意义 | 第16页 |
| 1.2 国内外研究现状 | 第16-17页 |
| 1.3 本论文的结构和内容 | 第17-19页 |
| 第二章 相关技术概述 | 第19-27页 |
| 2.1 分布式文件系统HDFS | 第19-21页 |
| 2.2 Map Reduce分布式计算框架 | 第21-23页 |
| 2.3 Sqoop数据交换工具 | 第23-24页 |
| 2.4 Maven项目管理工具 | 第24-25页 |
| 2.5 Spring Boot应用程序框架 | 第25-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第三章 协同过滤推荐算法相关技术 | 第27-35页 |
| 3.1 用户行为数据 | 第27-28页 |
| 3.2 相似性度量方案 | 第28-29页 |
| 3.2.1 余弦相似性度量 | 第28页 |
| 3.2.2 Pearson相关系数相似性度量 | 第28-29页 |
| 3.2.3 Jaccard系数相似性度量 | 第29页 |
| 3.3 传统的基于协同过滤推荐算法 | 第29-34页 |
| 3.3.1 传统的协同过滤推荐算法述 | 第29-30页 |
| 3.3.2 基于用户的协同过滤推荐算法 | 第30-32页 |
| 3.3.3 基于物品的协同过滤推荐算法 | 第32-34页 |
| 3.4 两种传统的协同过滤推荐算法的比较 | 第34页 |
| 3.5 本章小结 | 第34-35页 |
| 第四章 改进的协同过滤推荐算法 | 第35-53页 |
| 4.1 协同过滤算法的物品冷启动和数据稀疏问题 | 第35-38页 |
| 4.1.1 物品冷启动问题简要解决方案 | 第35-37页 |
| 4.1.2 数据稀疏性问题 | 第37-38页 |
| 4.2 基于用户兴趣变化和用户特征的混合推荐算法 | 第38-49页 |
| 4.2.1 基于评分归一化的相似性度量 | 第39-40页 |
| 4.2.2 基于用户兴趣变化的相似性度量 | 第40-45页 |
| 4.2.3 基于用户兴趣变化的评分预测 | 第45-46页 |
| 4.2.4 基于用户特征的评分预测 | 第46-48页 |
| 4.2.5 基于ICUAH算法的评分预测 | 第48-49页 |
| 4.3 ICUAH算法的实验评估 | 第49-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第五章 图书推荐系统的设计和实现 | 第53-67页 |
| 5.1 图书推荐系统的整体目标 | 第53页 |
| 5.2 图书推荐系统的需求分析 | 第53-55页 |
| 5.3 图书推荐系统的整体设计 | 第55-60页 |
| 5.3.1 数据表的设计 | 第55-56页 |
| 5.3.2 图书推荐系统的架构设计 | 第56-58页 |
| 5.3.3 图书推荐系统的功能模块设计 | 第58-60页 |
| 5.4 图书推荐系统的实现 | 第60-66页 |
| 5.4.1 开发环境介绍 | 第60页 |
| 5.4.2 图书推荐系统的搭建 | 第60-62页 |
| 5.4.3 图书推荐系统相关模块实现 | 第62-66页 |
| 5.5 本章小结 | 第66-67页 |
| 第六章 总结和展望 | 第67-69页 |
| 6.1 总结 | 第67页 |
| 6.2 展望 | 第67-69页 |
| 参考文献 | 第69-71页 |
| 致谢 | 第71-73页 |
| 作者简介 | 第73-74页 |
