| 摘要 | 第4-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景 | 第10-12页 |
| 1.2 研究目的及意义 | 第12-13页 |
| 1.3 研究的主要内容 | 第13页 |
| 1.4 论文结构 | 第13-15页 |
| 第二章 社会化网络和大数据背景下的分布式计算技术 | 第15-24页 |
| 2.1 社会化网络和大数据 | 第15-16页 |
| 2.2 分布式计算技术 | 第16-24页 |
| 2.2.1 集群环境 | 第18-19页 |
| 2.2.2 MapReduce框架 | 第19-21页 |
| 2.2.3 HDFS系统结构 | 第21-22页 |
| 2.2.4 Pig数据分析平台 | 第22-24页 |
| 第三章 推荐算法的比较 | 第24-41页 |
| 3.1 基于邻域的方法 | 第24-28页 |
| 3.1.1 基于用户的协同过滤 | 第24-25页 |
| 3.1.2 基于商品的协同过滤 | 第25-27页 |
| 3.1.3 UserCF和ItemCF的比较 | 第27-28页 |
| 3.2 隐语义模型(LATENT FACTOR MODEL) | 第28-30页 |
| 3.2.1 核心思想 | 第28页 |
| 3.2.2 算法 | 第28-30页 |
| 3.2.3 缺点 | 第30页 |
| 3.3 FM模型 | 第30-33页 |
| 3.3.1 模型的提出 | 第30-31页 |
| 3.3.2 算法 | 第31-32页 |
| 3.3.3 实例 | 第32页 |
| 3.3.4 计算过程 | 第32-33页 |
| 3.4 基于图的模型 | 第33-34页 |
| 3.5 基于上下文的推荐(CONTEXT AWARE) | 第34-35页 |
| 3.5.1 提出思想 | 第34页 |
| 3.5.2 基于时间上下文的推荐需要解决的问题 | 第34-35页 |
| 3.5.3 时间上下文推荐算法 | 第35页 |
| 3.5.4 评价 | 第35页 |
| 3.6 推荐算法存在的问题 | 第35-37页 |
| 3.6.1 稀疏性问题 | 第35-36页 |
| 3.6.2 冷启动 | 第36页 |
| 3.6.3 扩展性问题 | 第36页 |
| 3.6.4 推荐结果的单一性问题 | 第36-37页 |
| 3.7 推荐算法的评价标准 | 第37-41页 |
| 3.7.1 准确率与召回率 | 第38页 |
| 3.7.2 排序平均准确率(AP/MAP,Average Precision/Mean Average Precision) | 第38-39页 |
| 3.7.3 预测准确度(评分预测) | 第39-41页 |
| 第四章 基于分布式计算环境的改进FM推荐算法的设计与实现 | 第41-50页 |
| 4.1 算法整体框架 | 第41页 |
| 4.2 基于VSM模型和协同过滤的特征选择 | 第41-44页 |
| 4.2.1 协同过滤处理 | 第41-42页 |
| 4.2.2 VSM模型建立 | 第42-44页 |
| 4.4 随机梯度下降法 | 第44-47页 |
| 4.5 推荐算法 | 第47-50页 |
| 第五章 实验分析 | 第50-64页 |
| 5.1 实验数据 | 第50-55页 |
| 5.1.1 腾讯微博数据集 | 第50-52页 |
| 5.1.2 新浪微博数据集 | 第52-55页 |
| 5.2 评价指标 | 第55页 |
| 5.3 实验设计 | 第55-56页 |
| 5.4 实验分析 | 第56-64页 |
| 5.4.1 基于KDD2012数据集的实验分析 | 第56-58页 |
| 5.4.2 基于新浪Weibo数据集的实验分析 | 第58-64页 |
| 第六章 总结和展望 | 第64-65页 |
| 6.1 全文总结 | 第64页 |
| 6.2 未来工作 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 攻读学位期间发表的学术论文目录 | 第69-70页 |
| 致谢 | 第70页 |
