| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 缩略词中英文对照表 | 第11-12页 |
| 第一章 绪论 | 第12-16页 |
| 1.1 课题背景 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 个性化推荐技术的研究现状 | 第13页 |
| 1.2.2 Spark的研究现状 | 第13-14页 |
| 1.2.3 基于Spark的推荐系统应用现状 | 第14-15页 |
| 1.3 研究内容 | 第15页 |
| 1.4 论文结构 | 第15-16页 |
| 第二章 个性化推荐算法与Spark介绍 | 第16-27页 |
| 2.1 个性化推荐算法 | 第16-21页 |
| 2.1.1 基于协同过滤的推荐算法 | 第16-21页 |
| 2.1.1.1 基于用户的最近邻推荐算法 | 第17-18页 |
| 2.1.1.2 基于物品的最近邻推荐算法 | 第18页 |
| 2.1.1.3 隐语义模型推荐算法 | 第18-20页 |
| 2.1.1.4 主要协同过滤推荐算法对比 | 第20-21页 |
| 2.1.2 其他推荐算法 | 第21页 |
| 2.2 分布式计算框架Spark | 第21-26页 |
| 2.2.1 Spark生态系统 | 第22-23页 |
| 2.2.2 Spark集群架构 | 第23-24页 |
| 2.2.3 弹性分布式数据集 | 第24-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第三章 UD-LFM推荐模型及其基于Spark并行化 | 第27-37页 |
| 3.1 基于LFM和用户人口统计学信息的推荐模型 | 第27-29页 |
| 3.1.1 基于人口统计学信息的用户模型 | 第27-28页 |
| 3.1.2 融合LFM与用户人口统计学信息的推荐方法 | 第28-29页 |
| 3.2 UD-LFM推荐模型基于Spark的并行化 | 第29-32页 |
| 3.3 实验及分析 | 第32-36页 |
| 3.3.1 UD-LFM最优参数集实验 | 第32-33页 |
| 3.3.2 不同算法准确度对比实验 | 第33-34页 |
| 3.3.3 不同数据稀疏度下算法准确度对比实验 | 第34页 |
| 3.3.4 UD-LFM推荐模型计算效率及可扩展性实验 | 第34-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 基于Spark的电影推荐系统的设计与实现 | 第37-54页 |
| 4.1 需求分析 | 第37页 |
| 4.2 系统设计 | 第37-42页 |
| 4.2.1 系统架构设计 | 第37-40页 |
| 4.2.1.1 交互层设计 | 第38页 |
| 4.2.1.2 业务逻辑层设计 | 第38-40页 |
| 4.2.1.3 存储层设计 | 第40页 |
| 4.2.2 系统数据库设计 | 第40-42页 |
| 4.3 系统实现 | 第42-49页 |
| 4.3.1 集群端实现 | 第42-45页 |
| 4.3.1.1 集群部署 | 第42-43页 |
| 4.3.1.2 推荐计算模块实现 | 第43-45页 |
| 4.3.2 Web端实现 | 第45-49页 |
| 4.4 系统测试 | 第49-52页 |
| 4.5 本章小结 | 第52-54页 |
| 第五章 Spark资源分配策略优化 | 第54-66页 |
| 5.1 Spark的资源分配策略缺陷 | 第54-55页 |
| 5.2 Spark资源分配策略的优化 | 第55-60页 |
| 5.2.1 相关变量定义 | 第56-58页 |
| 5.2.2 Spark资源分配优化策略算法 | 第58-60页 |
| 5.3 Spark资源分配优化策略的实现 | 第60-62页 |
| 5.4 实验及分析 | 第62-65页 |
| 5.5 本章小结 | 第65-66页 |
| 第六章 总结与展望 | 第66-67页 |
| 6.1 论文总结 | 第66页 |
| 6.2 下一步工作 | 第66-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-71页 |
| 攻读硕士学位期间发表论文列表 | 第71页 |
