基于Spark的协同过滤算法的研究与应用
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外相关研究 | 第10-11页 |
| 1.3 论文的主要研究内容 | 第11-12页 |
| 1.4 论文的组织结构 | 第12-14页 |
| 第2章 协同过滤推荐算法的改进 | 第14-35页 |
| 2.1 协同过滤推荐算法 | 第14-19页 |
| 2.1.1 基于内存的协同过滤算法 | 第14-16页 |
| 2.1.2 基于内存的协同过滤推荐步骤 | 第16-18页 |
| 2.1.3 协同过滤算法的常见问题 | 第18-19页 |
| 2.2 基于项目的协同过滤算法改进 | 第19-26页 |
| 2.2.1 隐式反馈行为的解决方案 | 第20-21页 |
| 2.2.2 相似度计算公式的改进 | 第21-22页 |
| 2.2.3 内容相似度 | 第22-24页 |
| 2.2.4 综合相似度 | 第24-25页 |
| 2.2.5 改进算法的其他优化 | 第25-26页 |
| 2.3 改进算法与传统算法的实验结果对比分析 | 第26-33页 |
| 2.3.1 实验环境及数据集 | 第26-27页 |
| 2.3.2 推荐系统的评估指标 | 第27-28页 |
| 2.3.3 实验设计 | 第28-29页 |
| 2.3.4 实验结果分析 | 第29-33页 |
| 2.4 本章小结 | 第33-35页 |
| 第3章 改进的CF算法的并行化与评估 | 第35-64页 |
| 3.1 Spark核心概念 | 第35-38页 |
| 3.1.1 Spark RDD | 第35-36页 |
| 3.1.2 Spark的工作流程 | 第36-38页 |
| 3.2 分布式环境搭建 | 第38-40页 |
| 3.2.1 软硬件配置 | 第38页 |
| 3.2.2 集群安装与部署 | 第38-40页 |
| 3.3 改进的CF算法在Spark上的并行化 | 第40-61页 |
| 3.3.1 源数据处理 | 第41-46页 |
| 3.3.2 协同相似度计算并行化 | 第46-48页 |
| 3.3.3 内容相似度计算并行化 | 第48-53页 |
| 3.3.4 综合相似度计算并行化 | 第53-55页 |
| 3.3.5 项目预测评分并行化 | 第55-58页 |
| 3.3.6 推荐TOP-N并行化 | 第58-61页 |
| 3.4 Spark上改进CF算法的实验结果分析 | 第61-63页 |
| 3.4.1 实验数据集 | 第61页 |
| 3.4.2 实验结果分析 | 第61-63页 |
| 3.5 本章小结 | 第63-64页 |
| 第4章 改进算法在电商推荐系统中的应用 | 第64-75页 |
| 4.1 商品推荐系统的总体设计 | 第64-65页 |
| 4.2 数据收集与存储 | 第65-69页 |
| 4.3 数据处理 | 第69-70页 |
| 4.4 推荐结果展示 | 第70-72页 |
| 4.5 用户冷启动优化 | 第72-74页 |
| 4.6 本章小结 | 第74-75页 |
| 第5章 总结与展望 | 第75-77页 |
| 5.1 论文工作总结 | 第75-76页 |
| 5.2 未来研究展望 | 第76-77页 |
| 致谢 | 第77-78页 |
| 参考文献 | 第78-80页 |
