| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 个性化推荐算法研究现状 | 第12-13页 |
| 1.2.2 图书馆推荐系统发展现状 | 第13-14页 |
| 1.3 存在的问题 | 第14-15页 |
| 1.4 研究目标和内容 | 第15-16页 |
| 1.5 论文结构安排 | 第16-17页 |
| 第2章 相关算法及技术 | 第17-29页 |
| 2.1 协同过滤推荐算法 | 第17-22页 |
| 2.1.1 基于模型的协同过滤 | 第18-19页 |
| 2.1.2 基于内存的协同过滤 | 第19-21页 |
| 2.1.3 协同过滤算法存在的问题 | 第21-22页 |
| 2.2 推荐算法的评价标准 | 第22-23页 |
| 2.3 K近邻搜索算法 | 第23-24页 |
| 2.3.1 基本概念 | 第23页 |
| 2.3.2 计算用户间相似性的方法 | 第23-24页 |
| 2.4 马尔可夫过程 | 第24-26页 |
| 2.5 Hadoop 分布式系统 | 第26-28页 |
| 2.5.1 分布式文件系统 | 第26-27页 |
| 2.5.2 MapReduce 分布式计算 | 第27-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第3章 基于兴趣度模型与类型因子的协同过滤推荐算法 | 第29-40页 |
| 3.1 问题分析 | 第29-30页 |
| 3.2 基于兴趣度模型与类型因子的协同过滤算法 | 第30-33页 |
| 3.2.1 特征提取与最邻近搜索 | 第30-31页 |
| 3.2.2 归一化的读者兴趣度模型 | 第31-32页 |
| 3.2.3 添加类型因子的协同过滤 | 第32-33页 |
| 3.3 算法流程 | 第33-34页 |
| 3.4 实验分析 | 第34-39页 |
| 3.4.1 实验环境 | 第34-36页 |
| 3.4.2 实验评价标准 | 第36页 |
| 3.4.3 实验设置及结果 | 第36-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第4章 基于马尔可夫过程的专业图书树推荐算法 | 第40-52页 |
| 4.1 孤点推荐问题 | 第40-41页 |
| 4.2 基于马尔可夫过程的专业图书树推荐算法 | 第41-46页 |
| 4.2.1 知识结构向量 | 第41-42页 |
| 4.2.2 转移概率矩阵 | 第42-44页 |
| 4.2.3 初始状态概率向量 | 第44-45页 |
| 4.2.4 图书树生成过程 | 第45-46页 |
| 4.3 算法流程 | 第46-47页 |
| 4.4 实验分析 | 第47-51页 |
| 4.4.1 实验环境 | 第47-48页 |
| 4.4.2 推荐效果评价标准 | 第48页 |
| 4.4.3 实验设置及结果 | 第48-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第5章 高校图书推荐系统的设计与实现 | 第52-64页 |
| 5.1 用户需求分析 | 第52-53页 |
| 5.2 系统架构 | 第53-55页 |
| 5.2.1 系统架构设计 | 第53-54页 |
| 5.2.2 功能模块设计 | 第54-55页 |
| 5.3 数据预处理 | 第55-59页 |
| 5.3.1 原始数据 | 第55-56页 |
| 5.3.2 数据预处理过程 | 第56-59页 |
| 5.4 MapReduce 任务调度设计 | 第59-61页 |
| 5.5 系统展示 | 第61-63页 |
| 5.5.1 登录页面 | 第62页 |
| 5.5.2 个性化推荐页面 | 第62-63页 |
| 5.6 本章小结 | 第63-64页 |
| 第6章 总结与展望 | 第64-66页 |
| 6.1 工作总结 | 第64页 |
| 6.2 研究展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-71页 |
| 攻读学位期间参加的科研项目和成果 | 第71页 |