基于Spark平台分层协同过滤算法研究
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 本文研究内容 | 第14-15页 |
| 1.4 本文的内容结构 | 第15-16页 |
| 第二章 推荐系统与分布式技术 | 第16-30页 |
| 2.1 推荐系统 | 第16-20页 |
| 2.1.1 推荐系统概述 | 第16-17页 |
| 2.1.2 推荐技术分类 | 第17-19页 |
| 2.1.3 推荐系统评测指标 | 第19-20页 |
| 2.2 Hadoop分布式计算平台 | 第20-23页 |
| 2.2.1 adoop概述 | 第20-21页 |
| 2.2.2 Hadoop体系结构 | 第21-22页 |
| 2.2.3 Hadoop平台存在问题 | 第22-23页 |
| 2.3 Spark分布式计算平台 | 第23-29页 |
| 2.3.1 Spark概述 | 第23-24页 |
| 2.3.2 Spark编程模型 | 第24-26页 |
| 2.3.3 Spark系统架构 | 第26-27页 |
| 2.3.4 Spark容错机制 | 第27-28页 |
| 2.3.5 Spark与Hadoop相比性能优势 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 一种分层联合聚类协同过滤算法 | 第30-44页 |
| 3.1 协同过滤算法 | 第30-35页 |
| 3.1.1 协同过滤基本原理 | 第30-32页 |
| 3.1.2 基于用户的协同过滤 | 第32-33页 |
| 3.1.3 基于项目的协同过滤 | 第33-35页 |
| 3.2 AHCCF算法分析 | 第35-39页 |
| 3.2.1 问题描述与解决 | 第35-36页 |
| 3.2.2 算法改进思想 | 第36页 |
| 3.2.3 算法改进方案 | 第36-39页 |
| 3.3 AHCCF算法设计 | 第39-43页 |
| 3.3.1 联合聚类处理 | 第39-40页 |
| 3.3.2 用户类别权重计算 | 第40-42页 |
| 3.3.3 相似度计算与评分预测 | 第42-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 AHCCF算法并行化 | 第44-60页 |
| 4.1 K-means聚类算法并行化设计 | 第44-50页 |
| 4.1.1 K-means聚类中心初始化 | 第45-48页 |
| 4.1.2 K-means聚类并行化设计与实现 | 第48-50页 |
| 4.2 AHCCF算法并行化 | 第50-56页 |
| 4.2.1 用户维和项目维联合聚类 | 第51-52页 |
| 4.2.2 层次分析模型计算权重 | 第52-53页 |
| 4.2.3 用户聚类相似计算 | 第53-54页 |
| 4.2.4 最近邻居推荐 | 第54-56页 |
| 4.3 AHCCF算法并行化问题与解决 | 第56-58页 |
| 4.3.1 数据集加载 | 第56页 |
| 4.3.2 评分密集度 | 第56-57页 |
| 4.3.3 推荐列表计算 | 第57-58页 |
| 4.4 本章小结 | 第58-60页 |
| 第五章 实验及结果分析 | 第60-68页 |
| 5.1 实验环境 | 第60-61页 |
| 5.1.1 实验运行环境 | 第60页 |
| 5.1.2 实验数据集 | 第60-61页 |
| 5.2 实验设计 | 第61-62页 |
| 5.2.1 算法准确度实验 | 第61页 |
| 5.2.2 算法并行化实验 | 第61-62页 |
| 5.3 实验结果及分析 | 第62-66页 |
| 5.3.1 算法准确度实验 | 第62-64页 |
| 5.3.2 算法并行化实验 | 第64-66页 |
| 5.4 本章小结 | 第66-68页 |
| 第六章 结论与展望 | 第68-70页 |
| 6.1 结论 | 第68页 |
| 6.2 展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 攻读学位期间所取得的相关科研成果 | 第74-76页 |
| 致谢 | 第76-77页 |
