| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 主要研究内容 | 第14-15页 |
| 1.4 本章小结 | 第15-16页 |
| 第2章 理论基础与相关技术 | 第16-29页 |
| 2.1 大数据的异构数据集成技术 | 第16-20页 |
| 2.1.1 相关概念 | 第16-17页 |
| 2.1.2 现有异构数据集成方法 | 第17-19页 |
| 2.1.3 XML技术 | 第19-20页 |
| 2.2 云计算与Hadoop平台 | 第20-25页 |
| 2.2.1 云计算概述 | 第20-22页 |
| 2.2.2 Hadoop云计算框架 | 第22-25页 |
| 2.3 协同过滤技术 | 第25-28页 |
| 2.3.1 基于全局的协同过滤算法 | 第26页 |
| 2.3.2 基于模型的协同过滤算法 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 基于协同过滤的分布式数据挖掘与分析平台 | 第29-41页 |
| 3.1 分布式数据挖掘与分析框架 | 第29-31页 |
| 3.1.1 数据统一表示层 | 第30页 |
| 3.1.2 用户模型构建层 | 第30-31页 |
| 3.1.3 数据分析层 | 第31页 |
| 3.2 基于XML的异构数据集成 | 第31-40页 |
| 3.2.1 基于XML的异构数据集成架构 | 第31-33页 |
| 3.2.2 基于XML的异构数据集成过程 | 第33-34页 |
| 3.2.3 异构数据集成实例 | 第34-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第4章 基于RMF模型的大数据协同过滤研究 | 第41-54页 |
| 4.1 MF模型协同过滤算法 | 第41-45页 |
| 4.1.1 隐向量的构建 | 第41-42页 |
| 4.1.2 随机梯度下降法 | 第42页 |
| 4.1.3 基本RMF模型 | 第42-44页 |
| 4.1.4 基于偏好的RMF模型 | 第44-45页 |
| 4.2 RMF_time模型 | 第45-47页 |
| 4.2.1 迭代更新速率参数的改进 | 第45页 |
| 4.2.2 时间相关的RMF_time模型 | 第45-47页 |
| 4.3 RMF模型及算法并行化 | 第47-53页 |
| 4.3.1 基于MapReduce的RMF模型并行算法设计原则 | 第48页 |
| 4.3.2 分布式DRMF模型 | 第48-51页 |
| 4.3.3 基于DRMF模型的并行协同过滤算法的设计 | 第51-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第5章 实验及结果分析 | 第54-63页 |
| 5.1 数据集 | 第54页 |
| 5.2 实验平台 | 第54-57页 |
| 5.2.1 架构设计 | 第55页 |
| 5.2.2 集群环境配置 | 第55-57页 |
| 5.3 评价标准 | 第57页 |
| 5.4 实验分析 | 第57-62页 |
| 5.4.1 参数确定 | 第57-59页 |
| 5.4.2 基于RMF_time模型协同过滤算法实验与分析 | 第59-60页 |
| 5.4.3 基于DRMF模型协同过滤算法实验与分析 | 第60-62页 |
| 5.5 本章小结 | 第62-63页 |
| 第6章 结论与展望 | 第63-65页 |
| 6.1 工作总结 | 第63-64页 |
| 6.2 展望 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 致谢 | 第68-69页 |
| 攻读学位期间参加的科研项目和成果 | 第69页 |
