| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 研究背景和意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 研究内容 | 第11-12页 |
| 1.4 论文结构安排 | 第12-13页 |
| 第2章 相关技术 | 第13-23页 |
| 2.1 Hadoop | 第13-15页 |
| 2.1.1 HDFS | 第13-14页 |
| 2.1.2 MapReduce计算模型 | 第14-15页 |
| 2.2 推荐系统 | 第15-17页 |
| 2.2.1 协同过滤推荐技术 | 第15-17页 |
| 2.3 协同过滤推荐技术的分类 | 第17-20页 |
| 2.3.1 基于记忆的协同过滤算法 | 第18-20页 |
| 2.3.2 基于模型的协同过滤算法 | 第20页 |
| 2.4 协同过滤推荐算法存在的问题及解决方法 | 第20-21页 |
| 2.5 本章小结 | 第21-23页 |
| 第3章 改进相似性度量方法的协同过滤算法 | 第23-35页 |
| 3.1 NHSM用户相似度计算方法 | 第23-26页 |
| 3.1.1 NHSM方法简介 | 第23-24页 |
| 3.1.2 NHSM方法存在的问题 | 第24-26页 |
| 3.2 改进的用户相似度计算方法 | 第26-30页 |
| 3.2.1 改进的基于用户评分差异的相似度计算方法 | 第26-28页 |
| 3.2.2 基于NPJ相似度计算的协同过滤算法 | 第28-30页 |
| 3.3 实验与分析 | 第30-34页 |
| 3.3.1 数据集 | 第30-31页 |
| 3.3.2 度量指标 | 第31-32页 |
| 3.3.3 实验环境 | 第32页 |
| 3.3.4 用户相似度计算方法实验对比与分析 | 第32-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第4章 改进评分预测方法的协同过滤算法 | 第35-48页 |
| 4.1 NNSP评分预测方法 | 第35-36页 |
| 4.1.1 NNSP方法简介 | 第35页 |
| 4.1.2 NNSP方法存在的问题 | 第35-36页 |
| 4.2 改进的评分预测方法 | 第36-41页 |
| 4.2.1 使用K-means算法对项目聚类 | 第36-37页 |
| 4.2.2 改进的基于项目聚类的评分预测方法 | 第37-39页 |
| 4.2.3 基于项目聚类评分预测的协同过滤算法 | 第39-41页 |
| 4.3 实验与分析 | 第41-46页 |
| 4.3.1 数据集 | 第41页 |
| 4.3.2 度量指标 | 第41-42页 |
| 4.3.3 实验环境 | 第42页 |
| 4.3.4 评分预测实验对比与分析 | 第42-44页 |
| 4.3.5 NPJ方法和ICBSP方法结合与各改进点的对比与分析 | 第44-46页 |
| 4.4 本章小结 | 第46-48页 |
| 第5章 基于Hadoop平台的协同过滤推荐算法实现 | 第48-56页 |
| 5.1 在Hadoop平台实现协同过滤算法的必要性 | 第48页 |
| 5.2 协同过滤算法的MapReduce实现 | 第48-53页 |
| 5.3 实验与分析 | 第53-55页 |
| 5.3.1 数据集 | 第53页 |
| 5.3.2 度量指标 | 第53-54页 |
| 5.3.3 实验环境 | 第54页 |
| 5.3.4 算法加速比对比与分析 | 第54-55页 |
| 5.4 本章小结 | 第55-56页 |
| 第6章 总结与展望 | 第56-58页 |
| 6.1 总结 | 第56页 |
| 6.2 展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
