基于Spark并行框架的推荐系统研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第1章 绪论 | 第7-11页 |
| 1.1 研究背景与意义 | 第7-8页 |
| 1.2 研究现状 | 第8-9页 |
| 1.2.1 国外研究现状 | 第8-9页 |
| 1.2.2 国内研究现状 | 第9页 |
| 1.3 论文主要研究内容 | 第9-10页 |
| 1.4 论文组织结构 | 第10-11页 |
| 第2章 关键技术 | 第11-20页 |
| 2.1 推荐系统概述 | 第11-12页 |
| 2.2 推荐算法分类 | 第12-14页 |
| 2.2.1 基于内容的推荐算法 | 第12-13页 |
| 2.2.2 基于协同过滤的推荐算法 | 第13页 |
| 2.2.3 基于关联规则的推荐算法 | 第13-14页 |
| 2.2.4 混合推荐算法 | 第14页 |
| 2.3 集成学习 | 第14-16页 |
| 2.3.1 模型融合 | 第15页 |
| 2.3.2 机器学习元算法 | 第15-16页 |
| 2.4 Spark | 第16-19页 |
| 2.4.1 Spark概述 | 第16-18页 |
| 2.4.2 Spark Core | 第18页 |
| 2.4.3 Spark SQL | 第18页 |
| 2.4.4 Spark MLlib | 第18-19页 |
| 2.4.5 Spark Streaming | 第19页 |
| 2.5 本章小结 | 第19-20页 |
| 第3章 基于协同过滤的推荐算法 | 第20-39页 |
| 3.1 基于用户的协同过滤算法 | 第20-21页 |
| 3.1.1 算法概述 | 第20页 |
| 3.1.2 算法设计 | 第20-21页 |
| 3.2 基于物品的协同过滤算法 | 第21-23页 |
| 3.2.1 算法概述 | 第21-22页 |
| 3.2.2 算法设计与实现 | 第22-23页 |
| 3.3 基于矩阵分解的协同过滤算法 | 第23-25页 |
| 3.4 基于协同过滤算法的实验 | 第25-38页 |
| 3.4.1 实验数据 | 第25-26页 |
| 3.4.2 实验结果 | 第26-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第4章 基于GBDT的混合推荐算法 | 第39-49页 |
| 4.1 混合推荐算法概述 | 第39-42页 |
| 4.2 混合推荐算法设计与实现 | 第42-44页 |
| 4.3 混合推荐算法实验 | 第44-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第5章 基于Spark并行框架的推荐系统 | 第49-56页 |
| 5.1 系统设计 | 第49-50页 |
| 5.2 系统实现 | 第50-52页 |
| 5.2.1 实验环境 | 第50-51页 |
| 5.2.2 基于GBDT推荐算法的并行化 | 第51页 |
| 5.2.3 实验设计 | 第51-52页 |
| 5.3 实验结果 | 第52-55页 |
| 5.3.1 不同平台的运行时间分析 | 第52-54页 |
| 5.3.2 不同大小数据集的运行时间分析 | 第54-55页 |
| 5.4 本章小结 | 第55-56页 |
| 第6章 总结与展望 | 第56-58页 |
| 6.1 总结 | 第56-57页 |
| 6.2 展望 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-61页 |
| 在学期间发表的学术论文与研究成果 | 第61页 |
