基于Spark的实时推荐系统的研究与设计
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-12页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 研究现状 | 第9-10页 |
| 1.2.1 推荐系统研究现状 | 第9页 |
| 1.2.2 基于Spark的推荐系统研究现状 | 第9-10页 |
| 1.3 本文的研究内容 | 第10-11页 |
| 1.4 论文结构 | 第11-12页 |
| 2 相关技术介绍 | 第12-23页 |
| 2.1 Spark大数据处理框架 | 第12-15页 |
| 2.1.1 Spark概述 | 第12-13页 |
| 2.1.2 SparkCore | 第13页 |
| 2.1.3 SparkStreaming | 第13-15页 |
| 2.1.4 SparkMLlib | 第15页 |
| 2.1.5 Spark与MapReduce的对比 | 第15页 |
| 2.2 推荐系统 | 第15-19页 |
| 2.2.1 推荐系统介绍 | 第15-16页 |
| 2.2.2 推荐算法 | 第16-19页 |
| 2.3 其他相关技术 | 第19-22页 |
| 2.3.1 Kafka分布式消息系统 | 第19-20页 |
| 2.3.2 HDFS分布式文件系统 | 第20-21页 |
| 2.3.3 HBase数据库 | 第21-22页 |
| 2.4 小结 | 第22-23页 |
| 3 基于矩阵分解的推荐算法研究 | 第23-31页 |
| 3.1 隐语义模型 | 第23-24页 |
| 3.2 矩阵分解模型 | 第24-26页 |
| 3.3 基于Spark的矩阵分解算法优化 | 第26-27页 |
| 3.3.1 问题分析 | 第26页 |
| 3.3.2 算法优化 | 第26-27页 |
| 3.4 矩阵分解和K近邻融合算法的并行化实现 | 第27-29页 |
| 3.5 小结 | 第29-31页 |
| 4 实时推荐系统的设计与实现 | 第31-44页 |
| 4.1 项目背景 | 第31页 |
| 4.2 整体架构设计 | 第31-33页 |
| 4.3 数据采集与数据仓库模块 | 第33-38页 |
| 4.3.1 基本框架 | 第34-35页 |
| 4.3.2 部署与实现 | 第35-38页 |
| 4.4 推荐引擎模块 | 第38-41页 |
| 4.4.1 基本框架 | 第38页 |
| 4.4.2 增量计算 | 第38-40页 |
| 4.4.3 实时推荐 | 第40-41页 |
| 4.4.4 推荐引擎实现 | 第41页 |
| 4.5 推荐结果处理模块 | 第41-43页 |
| 4.5.1 基本框架 | 第41-42页 |
| 4.5.2 模型混合与实现 | 第42-43页 |
| 4.6 小结 | 第43-44页 |
| 5 实验及结果分析 | 第44-53页 |
| 5.1 实验环境 | 第44页 |
| 5.2 实验数据 | 第44-45页 |
| 5.3 实验评价指标 | 第45-47页 |
| 5.4 实验测评 | 第47-51页 |
| 5.4.1 实验设计 | 第47页 |
| 5.4.2 测评结果 | 第47-51页 |
| 5.5 小结 | 第51-53页 |
| 6 总结与展望 | 第53-55页 |
| 6.1 总结 | 第53页 |
| 6.2 展望 | 第53-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 附录 | 第60页 |
