| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 推荐系统的发展现状 | 第11页 |
| 1.2.2 推荐系统实例简介 | 第11-12页 |
| 1.2.3 推荐系统面临的问题 | 第12-13页 |
| 1.3 论文主要研究内容 | 第13页 |
| 1.4 论文组织结构 | 第13-16页 |
| 2 常用推荐算法 | 第16-26页 |
| 2.1 推荐系统概述 | 第16页 |
| 2.2 协同过滤推荐算法简介 | 第16-19页 |
| 2.2.1 基于用户的协同过滤推荐算法 | 第17页 |
| 2.2.2 基于项目的协同过滤推荐算法 | 第17-18页 |
| 2.2.3 两种协同过滤算法分析 | 第18-19页 |
| 2.3 其他推荐算法 | 第19-22页 |
| 2.3.1 Slope-one推荐算法 | 第19页 |
| 2.3.2 基于内容过滤的推荐算法 | 第19-20页 |
| 2.3.3 隐语义模型 | 第20-22页 |
| 2.4 聚类算法概述 | 第22-23页 |
| 2.5 本章小结 | 第23-26页 |
| 3 Hadoop平台与相关框架技术介绍 | 第26-32页 |
| 3.1 Hadoop分布式平台 | 第26-28页 |
| 3.2 MapReduce编程模型 | 第28-29页 |
| 3.3 HDFS分布式文件系统 | 第29-30页 |
| 3.4 Sqoop数据交换工具 | 第30-31页 |
| 3.5 本章小结 | 第31-32页 |
| 4 分布式协同过滤算法的研究与改进 | 第32-54页 |
| 4.1 相似度计算 | 第32-33页 |
| 4.2 最近邻居产生 | 第33-34页 |
| 4.3 计算推荐结果 | 第34页 |
| 4.4 推荐系统的常用指标 | 第34-36页 |
| 4.4.1 准确度 | 第34-35页 |
| 4.4.2 覆盖率 | 第35页 |
| 4.4.3 多样性 | 第35-36页 |
| 4.5 基于Hadoop平台的User-based协同过滤算法研究与改进 | 第36-40页 |
| 4.5.1 分布式User-based协同过滤算法实现 | 第36-39页 |
| 4.5.2 问题分析 | 第39页 |
| 4.5.3 基于用户属性聚类的分布式User-based协同过滤算法 | 第39-40页 |
| 4.6 基于Hadoop平台的Item-based协同过滤算法研究与改进 | 第40-45页 |
| 4.6.1 分布式Item-based协同过滤算法实现 | 第40页 |
| 4.6.2 问题分析 | 第40-41页 |
| 4.6.3 融合项目类别的分布式Item-based协同过滤算法 | 第41-45页 |
| 4.7 实验分析 | 第45-52页 |
| 4.7.1 数据集及实验环境 | 第45-47页 |
| 4.7.2 实验内容 | 第47-52页 |
| 4.8 本章小结 | 第52-54页 |
| 5 基于Hadoop平台的电影推荐系统设计与实现 | 第54-64页 |
| 5.1 系统需求分析 | 第54页 |
| 5.2 系统设计 | 第54-59页 |
| 5.2.1 系统架构设计 | 第54-55页 |
| 5.2.2 系统功能模块设计 | 第55-57页 |
| 5.2.3 数据库设计 | 第57-58页 |
| 5.2.4 系统执行流程 | 第58-59页 |
| 5.3 系统实现 | 第59-61页 |
| 5.3.1 Hadoop配置 | 第59-61页 |
| 5.3.2 系统搭建 | 第61页 |
| 5.4 系统测试 | 第61-63页 |
| 5.4.1 登录页面 | 第61-62页 |
| 5.4.2 注册页面 | 第62页 |
| 5.4.3 推荐页面 | 第62-63页 |
| 5.4.4 评分页面 | 第63页 |
| 5.5 本章小结 | 第63-64页 |
| 6 总结与展望 | 第64-66页 |
| 6.1 总结 | 第64页 |
| 6.2 展望 | 第64-66页 |
| 致谢 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 | 第72页 |
