协同过滤算法相似度的研究及并行化的实现
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 研究背景和意义 | 第8-10页 |
| 1.2 研究现状 | 第10-13页 |
| 1.3 论文主要工作及创新 | 第13页 |
| 1.4 论文组织结构 | 第13-16页 |
| 第2章 相关理论研究 | 第16-26页 |
| 2.1 推荐系统技术 | 第16页 |
| 2.2 推荐算法的分类 | 第16-20页 |
| 2.2.1 基于用户的协同过滤算法 | 第17-18页 |
| 2.2.2 基于项目的协同过滤算法 | 第18-19页 |
| 2.2.3 基于模型的协同过滤算法 | 第19页 |
| 2.2.4 基于社交关系的推荐 | 第19-20页 |
| 2.3 相似度度量算法 | 第20-22页 |
| 2.3.1 余弦相似度 | 第20-21页 |
| 2.3.2 杰卡德相似性 | 第21页 |
| 2.3.3 皮尔森相关系数 | 第21-22页 |
| 2.4 Spark分布式计算框架 | 第22-24页 |
| 2.4.1 Spark概述 | 第22页 |
| 2.4.2 Spark编程模型 | 第22-24页 |
| 2.5 ALS算法 | 第24-26页 |
| 第3章 基于项目的评分矩阵预测算法 | 第26-36页 |
| 3.1 基于项目的相似度方法改进 | 第26-28页 |
| 3.1.1 问题的提出 | 第26-27页 |
| 3.1.2 改进皮尔森相关系数 | 第27-28页 |
| 3.2 关联矩阵的构建 | 第28-29页 |
| 3.3 评分矩阵的构建 | 第29-31页 |
| 3.4 算法流程设计 | 第31-32页 |
| 3.5 实验及分析 | 第32-36页 |
| 3.5.1 数据集 | 第32-33页 |
| 3.5.2 数据预处理 | 第33页 |
| 3.5.3 实验设计 | 第33-34页 |
| 3.5.4 评价指标 | 第34页 |
| 3.5.5 实验结果及分析 | 第34-36页 |
| 第4章 预测算法并行化的实现 | 第36-46页 |
| 4.1 Spark分布式框架 | 第36-38页 |
| 4.1.1 系统框架 | 第36-38页 |
| 4.1.2 Spark MLlib机器学习 | 第38页 |
| 4.2 基于Spark推荐算法并行化设计 | 第38-41页 |
| 4.2.1 Spark集群分布式设计 | 第38-39页 |
| 4.2.2 基于Spark预测算法实现 | 第39-41页 |
| 4.3 基于Spark平台ALS模型的实现 | 第41-42页 |
| 4.3.1 ALS算法并行化实现 | 第41-42页 |
| 4.4 实验及分析 | 第42-46页 |
| 4.4.1 实验环境及数据集 | 第42-43页 |
| 4.4.2 并行化实验结果及分析 | 第43页 |
| 4.4.3 ALS算法实验结果及分析 | 第43-46页 |
| 第5章 总结与展望 | 第46-48页 |
| 5.1 总结 | 第46页 |
| 5.2 展望 | 第46-48页 |
| 参考文献 | 第48-52页 |
| 发表论文和参加科研情况说明 | 第52-53页 |
| 致谢 | 第53-54页 |
