| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 本课题研究内容 | 第11-14页 |
| 1.3.1 反向推荐算法提出来源 | 第11-12页 |
| 1.3.2 反向推荐算法定义和优势 | 第12页 |
| 1.3.3 反向推荐算法研究过程 | 第12-14页 |
| 1.4 论文的研究成果和创新 | 第14-15页 |
| 第二章 数据爬取与大数据框架 | 第15-21页 |
| 2.1 数据爬取与处理 | 第15-18页 |
| 2.1.1 数据爬取入库到Hadoop流程图 | 第15-16页 |
| 2.1.2 Scrapy爬虫框架 | 第16-18页 |
| 2.1.3 数据存储查询方式 | 第18页 |
| 2.2 大数据框架及其应用 | 第18-21页 |
| 2.2.1 大数据架构图 | 第19-21页 |
| 第三章 推荐系统架构和算法 | 第21-28页 |
| 3.1 推荐系统架构图 | 第21-23页 |
| 3.1.1 推荐算法的特征向量 | 第21-22页 |
| 3.1.2 生成推荐结果候选集 | 第22页 |
| 3.1.3 对推荐结果过滤排名 | 第22-23页 |
| 3.2 推荐算法面临的问题 | 第23-25页 |
| 3.2.1 长尾分布 | 第23-24页 |
| 3.2.2 冷启动问题 | 第24-25页 |
| 3.2.3 数据稀疏性 | 第25页 |
| 3.3 推荐算法总结 | 第25-28页 |
| 3.3.1 推荐算法介绍 | 第25-26页 |
| 3.3.2 常用推荐算法性能对比 | 第26-28页 |
| 第四章 反向推荐算法设计与实现 | 第28-44页 |
| 4.1 K-Means聚类算法 | 第28-37页 |
| 4.1.1 选择K-Means聚类算法的原因 | 第28-29页 |
| 4.1.2 K-Means聚类算法及其优化 | 第29-32页 |
| 4.1.2.1 K-Means聚类算法 | 第29-31页 |
| 4.1.2.2 K-Means++质心优化 | 第31页 |
| 4.1.2.3 K-Means距离计算优化 | 第31页 |
| 4.1.2.4 Mini BatchK-Means样本优化 | 第31-32页 |
| 4.1.2.5 K-Means小结 | 第32页 |
| 4.1.3 K-Means聚类算法开发流程 | 第32-37页 |
| 4.2 反向推荐算法 | 第37-44页 |
| 4.2.1 基于FunkSVD算法的反向推荐 | 第37-39页 |
| 4.2.2 FunkSVD算法优化推导 | 第39-40页 |
| 4.2.3 FunkSVD推荐算法Spark实现 | 第40-44页 |
| 第五章 推荐算法对比仿真实验 | 第44-58页 |
| 5.1 实验环境和数据集介绍 | 第44页 |
| 5.2 推荐算法评估指标 | 第44-47页 |
| 5.2.1 满意度 | 第45页 |
| 5.2.2 准确度 | 第45-46页 |
| 5.2.3 覆盖率 | 第46页 |
| 5.2.4 多样性 | 第46-47页 |
| 5.2.5 新颖性 | 第47页 |
| 5.2.6 信任度 | 第47页 |
| 5.3 实验分析与结论 | 第47-58页 |
| 5.3.1 FunkSVD反向推荐模型优化 | 第47-51页 |
| 5.3.2 有无聚类的FunkSVD反向推荐对比 | 第51-54页 |
| 5.3.3 FunkSVD反向推荐与正向推荐对比 | 第54-55页 |
| 5.3.4 FunkSVD反向推荐与协同过滤反向推荐对比 | 第55-57页 |
| 5.3.5 反向推荐与其他推荐结果对比 | 第57-58页 |
| 结论 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-62页 |