| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 课题背景 | 第11-12页 |
| 1.1.1 研究背景 | 第11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 研究现状 | 第12-13页 |
| 1.3 本文主要研究内容与创新之处 | 第13-14页 |
| 1.4 本文结构 | 第14-16页 |
| 第2章 相关技术 | 第16-23页 |
| 2.1 引言 | 第16页 |
| 2.2 Hadoop技术 | 第16-20页 |
| 2.2.1 HDFS文件系统 | 第16-18页 |
| 2.2.2 MapReduce | 第18-19页 |
| 2.2.3 Yarn | 第19-20页 |
| 2.3 Hadoop相关项目 | 第20-22页 |
| 2.3.1 数据仓库 | 第20页 |
| 2.3.2 数据转移工具 | 第20页 |
| 2.3.3 数据收集系统 | 第20-21页 |
| 2.3.4 Spark技术 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 协同过滤推荐系统综述 | 第23-28页 |
| 3.1 引言 | 第23页 |
| 3.2 协同过滤推荐流行算法 | 第23-25页 |
| 3.3 协同过滤推荐系统的评价标准 | 第25-26页 |
| 3.4 协同过滤系统当下面临的问题 | 第26-27页 |
| 3.5 本章小结 | 第27-28页 |
| 第4章 大数据环境下的社会化推荐方法 | 第28-36页 |
| 4.1 引言 | 第28页 |
| 4.2 大数据环境下的社会化推荐方法 | 第28-31页 |
| 4.2.1 挖掘候选信任用户集 | 第28-30页 |
| 4.2.2 信任值的度量 | 第30-31页 |
| 4.2.3 生成推荐 | 第31页 |
| 4.3 LPTA基于Mapreduce模型的并行化实现 | 第31-33页 |
| 4.4 实验结果及分析 | 第33-35页 |
| 4.5 本章小结 | 第35-36页 |
| 第5章 大数据环境下基于概率矩阵分解的个性化推荐 | 第36-47页 |
| 5.1 引言 | 第36页 |
| 5.2 融入用户近邻信息的矩阵分解模型IPMF | 第36-41页 |
| 5.2.1 聚类 | 第36-37页 |
| 5.2.2 改进概率矩阵分解模型 | 第37-40页 |
| 5.2.3 复杂度分析 | 第40-41页 |
| 5.3 并行化IPMF及其MapReduce和Spark实现 | 第41-43页 |
| 5.3.1 并行化IPMF | 第41-42页 |
| 5.3.2 MapReduce实现 | 第42-43页 |
| 5.3.3 Spark实现 | 第43页 |
| 5.4 实验结果及分析 | 第43-46页 |
| 5.5 本章小结 | 第46-47页 |
| 第六章 基于Hadoop的推荐系统设计与实现 | 第47-56页 |
| 6.1 引言 | 第47页 |
| 6.2 系统需求分析 | 第47-48页 |
| 6.3 系统架构设计 | 第48-49页 |
| 6.4 系统执行流程 | 第49-50页 |
| 6.5 系统实现与展示 | 第50-55页 |
| 6.5.1 系统实现 | 第50-51页 |
| 6.5.2 系统展示 | 第51-55页 |
| 6.6 本章小结 | 第55-56页 |
| 第七章 总结与展望 | 第56-58页 |
| 7.1 总结 | 第56页 |
| 7.2 展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-63页 |
| 攻读学位期间参加的科研项目和成果 | 第63页 |