面向移动互联网的个性化推荐系统的设计与实现
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第12-16页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-14页 |
| 1.3 论文基本内容 | 第14-15页 |
| 1.4 论文基本结构 | 第15页 |
| 1.5 本章小结 | 第15-16页 |
| 2 相关技术研究 | 第16-29页 |
| 2.1 个性化推荐理论 | 第16-20页 |
| 2.1.1 基于关联规则推荐 | 第17-18页 |
| 2.1.2 基于内容的推荐 | 第18页 |
| 2.1.3 协同过滤推荐 | 第18-20页 |
| 2.2 大数据处理平台 | 第20-25页 |
| 2.2.1 Hadoop分布式平台简介 | 第21-22页 |
| 2.2.2 分布式文件系统HDFS | 第22-24页 |
| 2.2.3 MapReduce编程模型 | 第24-25页 |
| 2.3 移动推荐系统关键技术 | 第25-28页 |
| 2.3.1 Spring框架体系 | 第25-27页 |
| 2.3.2 Ajax数据交换技术 | 第27页 |
| 2.3.3 PhoneGap跨平台移动开发技术 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 3 移动互联网的个性化推荐模型研究 | 第29-36页 |
| 3.1 主题模型基础 | 第29-31页 |
| 3.1.1 主题模型简介 | 第29页 |
| 3.1.2 主题模型方法 | 第29-31页 |
| 3.2 主题模型求解 | 第31-33页 |
| 3.2.1 LDA主题模型求解研究 | 第31-32页 |
| 3.2.2 LDA主题模型求解过程 | 第32-33页 |
| 3.3 个性化推荐算法模型研究 | 第33-35页 |
| 3.3.1 用户兴趣模型获取 | 第33-34页 |
| 3.3.2 新闻文本句子特征获取 | 第34-35页 |
| 3.4 本章小结 | 第35-36页 |
| 4 移动互联网的个性化推荐算法研究与改进 | 第36-51页 |
| 4.1 协同过滤推荐算法研究 | 第36-40页 |
| 4.1.1 基于用户的协同过滤推荐算法 | 第36-38页 |
| 4.1.2 基于项目的协同过滤推荐算法 | 第38-40页 |
| 4.2 协同过滤算法存在的问题与分析 | 第40-42页 |
| 4.2.1 数据稀疏问题 | 第40-41页 |
| 4.2.2 冷启动问题 | 第41页 |
| 4.2.3 可扩展性问题 | 第41-42页 |
| 4.3 个性化推荐算法的改进 | 第42-46页 |
| 4.3.1 改进算法的设计 | 第42页 |
| 4.3.2 算法的改进过程 | 第42-46页 |
| 4.4 算法实验与分析 | 第46-50页 |
| 4.4.1 实验环境 | 第46页 |
| 4.4.2 评估标准 | 第46-47页 |
| 4.4.3 测试数据集 | 第47-48页 |
| 4.4.4 实验设计 | 第48-50页 |
| 4.5 本章小结 | 第50-51页 |
| 5 面向移动互联网的推荐系统设计与实现 | 第51-75页 |
| 5.1 系统需求分析 | 第51页 |
| 5.2 系统总体设计 | 第51-57页 |
| 5.2.1 系统硬件设计 | 第51-52页 |
| 5.2.2 系统软件设计 | 第52-54页 |
| 5.2.3 系统数据库设计 | 第54-57页 |
| 5.3 算法模块技术实现 | 第57-62页 |
| 5.3.1 主题特征提取与模型建立 | 第57-60页 |
| 5.3.2 推荐列表与自刷新 | 第60-62页 |
| 5.4 移动新闻APP功能模块技术实现 | 第62-72页 |
| 5.4.1 移动端页面布局 | 第63-64页 |
| 5.4.2 接口的划分设计 | 第64-65页 |
| 5.4.3 注册与登录的实现 | 第65-69页 |
| 5.4.4 用户兴趣选择收集 | 第69-70页 |
| 5.4.5 新闻消息推送与用户评价再获取 | 第70-72页 |
| 5.5 系统测试 | 第72-74页 |
| 5.5.1 测试环境 | 第72页 |
| 5.5.2 测试方案 | 第72-73页 |
| 5.5.3 测试结果 | 第73-74页 |
| 5.6 本章小结 | 第74-75页 |
| 6 总结与展望 | 第75-76页 |
| 参考文献 | 第76-79页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第79-81页 |
| 学位论文数据集 | 第81页 |
