| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 引言 | 第8-13页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 研究目的与意义 | 第9-10页 |
| 1.3 相关研究现状 | 第10-11页 |
| 1.3.1 推荐系统的研究现状 | 第10-11页 |
| 1.3.2 Spark平台的研究现状 | 第11页 |
| 1.4 论文结构安排 | 第11-13页 |
| 2 Spark分布式计算框架 | 第13-19页 |
| 2.1 Spark简介 | 第13-14页 |
| 2.2 Spark系统架构 | 第14-16页 |
| 2.3 Spark编程模型 | 第16-18页 |
| 2.4 本章小结 | 第18-19页 |
| 3 协同过滤算法相关技术 | 第19-31页 |
| 3.1 推荐系统应用 | 第19-20页 |
| 3.2 推荐算法分类 | 第20页 |
| 3.3 推荐系统评估 | 第20-22页 |
| 3.4 基于物品的协同过滤算法 | 第22-25页 |
| 3.4.1 构建用户-评分矩阵 | 第23页 |
| 3.4.2 物品相似度计算 | 第23-25页 |
| 3.4.3 预测评分 | 第25页 |
| 3.5 基于隐语义模型的协同过滤算法 | 第25-29页 |
| 3.5.1 随机梯度下降法 | 第28页 |
| 3.5.2 交替最小二乘法 | 第28-29页 |
| 3.5.3 随机梯度下降法与交替最小二乘法比较 | 第29页 |
| 3.6 本章小结 | 第29-31页 |
| 4 基于Spark平台的协同过滤算法并行化及优化 | 第31-49页 |
| 4.1 基于Spark平台推荐算法并行化设计 | 第31-32页 |
| 4.2 基于物品的协同过滤算法并行化实现 | 第32-38页 |
| 4.2.1 物品相似度度量 | 第32-34页 |
| 4.2.2 评分预测计算 | 第34-35页 |
| 4.2.3 基于Spark平台的实现 | 第35-38页 |
| 4.3 基于交替最小二乘法的协同过滤算法并行化实现 | 第38-44页 |
| 4.3.1 并行算法设计 | 第38-40页 |
| 4.3.2 GraphX图计算框架 | 第40-42页 |
| 4.3.3 基于Spark平台的实现 | 第42-44页 |
| 4.4 协同过滤算法模型融合 | 第44-47页 |
| 4.4.1 建立模型 | 第44-46页 |
| 4.4.2 基于Spark平台的实现 | 第46-47页 |
| 4.5 本章小结 | 第47-49页 |
| 5 实验设计及结果分析 | 第49-60页 |
| 5.1 实验环境 | 第49-50页 |
| 5.2 实验数据 | 第50-51页 |
| 5.3 实验设计 | 第51-52页 |
| 5.4 实验结果及分析 | 第52-59页 |
| 5.5 本章小结 | 第59-60页 |
| 6 总结与展望 | 第60-62页 |
| 6.1 工作总结 | 第60-61页 |
| 6.2 工作展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-65页 |