| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-22页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 大数据研究现状 | 第12-13页 |
| 1.2.2 推荐系统研究现状 | 第13-17页 |
| 1.3 研究内容及目标 | 第17-19页 |
| 1.3.1 协同过滤算法存在问题 | 第17-18页 |
| 1.3.2 研究对象与目标 | 第18-19页 |
| 1.4 论文组织结构 | 第19-22页 |
| 第2章 融合巴氏系数的用户聚类 Slope One 算法 | 第22-37页 |
| 2.1 引言 | 第22页 |
| 2.2 Slope One 推荐算法 | 第22-25页 |
| 2.2.1 经典 Slope One 算法 | 第23-24页 |
| 2.2.2 加权 Slope One 算法 | 第24-25页 |
| 2.3 融合巴氏系数的用户聚类 Slope One 算法 | 第25-31页 |
| 2.3.1 推荐算法中常见相似性计算方法 | 第25-27页 |
| 2.3.2 融合巴氏系数的 Slope One 算法(BC-Slope One) | 第27-28页 |
| 2.3.3 基于用户历史数据的聚类 | 第28-30页 |
| 2.3.4 算法步骤与流程 | 第30-31页 |
| 2.4 实验结果分析 | 第31-36页 |
| 2.4.1 实验数据集 | 第31-32页 |
| 2.4.2 实验环境与评价指标 | 第32页 |
| 2.4.3 实验结果分析 | 第32-36页 |
| 2.5 本章小结 | 第36-37页 |
| 第3章 基于集成聚类的改进 Slope One 算法 | 第37-55页 |
| 3.1 引言 | 第37页 |
| 3.2 集成聚类算法及其在推荐中的运用 | 第37-39页 |
| 3.2.1 集成聚类算法研究 | 第37-38页 |
| 3.2.2 集成聚类在推荐中的运用 | 第38-39页 |
| 3.3 基于集成聚类的 Slope One 算法(Mix-BC-Slope One) | 第39-50页 |
| 3.3.1 融合项目类别信息的聚类方法 | 第39-42页 |
| 3.3.2 基于用户相似的谱聚类方法 | 第42-46页 |
| 3.3.3 用户聚类集成 | 第46-49页 |
| 3.3.4 算法步骤与流程 | 第49-50页 |
| 3.4 实验结果分析 | 第50-54页 |
| 3.5 本章小结 | 第54-55页 |
| 第4章 基于大数据的 Mix-BC-Slope One 算法实现 | 第55-72页 |
| 4.1 引言 | 第55页 |
| 4.2 大数据下的推荐系统 | 第55页 |
| 4.3 基于大数据的改进 Slope One 算法(Mix-BC-Slope One)实现 | 第55-64页 |
| 4.3.1 分布式计算平台 Hadoop | 第56-57页 |
| 4.3.2 用户集成聚类的并行化实现 | 第57-63页 |
| 4.3.3 BC-Slope One 的并行化实现 | 第63-64页 |
| 4.4 Mix-BC-Slope One 并行化框架 | 第64-68页 |
| 4.4.1 实现部署环境介绍 | 第64-66页 |
| 4.4.2 Mix-BC-Slope One 并行化框架介绍 | 第66-68页 |
| 4.5 实验结果分析 | 第68-71页 |
| 4.6 本章小结 | 第71-72页 |
| 第5章 结论与展望 | 第72-74页 |
| 5.1 总结 | 第72-73页 |
| 5.2 展望 | 第73-74页 |
| 参考文献 | 第74-79页 |
| 致谢 | 第79-80页 |
| 攻读学位期间参加的科研项目和成果 | 第80页 |
