| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景及意义 | 第14-16页 |
| 1.1.1 研究背景 | 第14-16页 |
| 1.1.2 研究意义 | 第16页 |
| 1.2 国内外研究现状 | 第16-18页 |
| 1.3 论文主要内容 | 第18-19页 |
| 1.3.1 研究内容 | 第18页 |
| 1.3.2 论文结构安排 | 第18-19页 |
| 1.4 本文创新点 | 第19-20页 |
| 第二章 相关理论与技术 | 第20-28页 |
| 2.1 个性化推荐系统 | 第20-24页 |
| 2.1.1 推荐系统的一般描述 | 第20页 |
| 2.1.2 常见的推荐技术 | 第20-24页 |
| 2.2 大数据理论 | 第24-25页 |
| 2.2.1 大数据的产生背景 | 第24页 |
| 2.2.2 大数据的基本概念及特征 | 第24-25页 |
| 2.3 Hadoop平台 | 第25-28页 |
| 2.3.1 Hadoop概述 | 第25页 |
| 2.3.2 分布式文件系统HDFS | 第25-26页 |
| 2.3.3 MapReduce编程模型 | 第26-28页 |
| 第三章 增量更新推荐模型及云实现 | 第28-36页 |
| 3.1 增量更新 | 第28页 |
| 3.1.1 基本概念及特点 | 第28页 |
| 3.1.2 增量更新对于大数据处理的作用 | 第28页 |
| 3.2 传统相似性度量方法 | 第28-31页 |
| 3.2.1 主要相似性度量方法介绍 | 第29-30页 |
| 3.2.2 传统相似性度量方法问题分析 | 第30-31页 |
| 3.3 增量更新推荐模型 | 第31-33页 |
| 3.3.1 用户相异度 | 第31页 |
| 3.3.2 模型构建流程 | 第31-32页 |
| 3.3.3 模型增量更新策略 | 第32-33页 |
| 3.3.4 计算复杂度分析 | 第33页 |
| 3.4 增量更新模型基于Hadoop云实现 | 第33-36页 |
| 第四章 IU-UserCF和UDB-Slope One算法 | 第36-48页 |
| 4.1 UserCF算法简介 | 第36-37页 |
| 4.2 IU-UserCF算法 | 第37-38页 |
| 4.3 Slope One算法 | 第38-41页 |
| 4.3.1 Slope One原理及实现 | 第38-40页 |
| 4.3.2 Slope One问题分析 | 第40页 |
| 4.3.3 研究现状及不足 | 第40-41页 |
| 4.4 UDB-Slope One算法 | 第41-42页 |
| 4.4.1 基本思想 | 第41页 |
| 4.4.2 预测流程 | 第41-42页 |
| 4.5 实验结果及分析 | 第42-48页 |
| 4.5.1 实验数据集 | 第42-43页 |
| 4.5.2 度量标准 | 第43页 |
| 4.5.3 结果及分析 | 第43-48页 |
| 第五章 电商物流服务个性化推荐系统构建 | 第48-54页 |
| 5.1 电商物流服务 | 第48-49页 |
| 5.2 物流领域推荐研究现状 | 第49页 |
| 5.3 系统构建意义 | 第49-50页 |
| 5.4 系统分析 | 第50-51页 |
| 5.4.1 需求分析 | 第50页 |
| 5.4.2 业务流程分析 | 第50-51页 |
| 5.4.3 数据流程分析 | 第51页 |
| 5.5 系统设计 | 第51-54页 |
| 5.5.1 功能模块设计 | 第51-52页 |
| 5.5.2 数据库设计 | 第52-53页 |
| 5.5.3 系统架构设计 | 第53-54页 |
| 第六章 总结与展望 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 附录MapReduce代码 | 第60-62页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第62-63页 |