| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 引言 | 第10-15页 |
| 1.1 研究意义和背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 工业应用现状 | 第11页 |
| 1.2.2 理论研究现状 | 第11-13页 |
| 1.3 本文的研究内容 | 第13-14页 |
| 1.4 本文的组织结构 | 第14-15页 |
| 第二章 推荐系统的介绍 | 第15-28页 |
| 2.1 推荐系统的工作流程 | 第15-16页 |
| 2.2 常用的推荐方法 | 第16-19页 |
| 2.2.1 基于内容的推荐 | 第16-17页 |
| 2.2.2 基于协同过滤的推荐 | 第17页 |
| 2.2.3 混合推荐 | 第17-19页 |
| 2.3 协同过滤推荐算法相关理论 | 第19-27页 |
| 2.3.1 推荐流程 | 第19-21页 |
| 2.3.2 协同过滤算法的分类 | 第21-24页 |
| 2.3.3 协同过滤中主要相似度 | 第24-26页 |
| 2.3.4 协同过滤推荐面临的问题 | 第26页 |
| 2.3.5 评价标准 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 一种改进Minhash的分布式协同过滤推荐算法 | 第28-40页 |
| 3.1 问题的提出 | 第28页 |
| 3.2 基于多值Minhash的协同过滤推荐算法 | 第28-32页 |
| 3.2.1 用户兴趣偏好定义 | 第28-29页 |
| 3.2.2 基于改进Minhash的相似度计算 | 第29-31页 |
| 3.2.3 推荐生成 | 第31-32页 |
| 3.3 基于MapReduce的用户相似度分布式计算 | 第32-36页 |
| 3.3.1 Hadoop MapReduce框架介绍 | 第32-35页 |
| 3.3.2 用户相似度MapReduce分布式计算 | 第35-36页 |
| 3.4 实验结果和分析 | 第36-38页 |
| 3.5 本章小结 | 第38-40页 |
| 第四章 一种改进的item-based分布式协同过滤推荐算法 | 第40-49页 |
| 4.1 问题的提出 | 第40-41页 |
| 4.2 改进的item-based相似度计算 | 第41-44页 |
| 4.2.1 算法提出的动机 | 第41-42页 |
| 4.2.2 算法具体描述 | 第42-44页 |
| 4.3 算法的MapReduce实现 | 第44-46页 |
| 4.4 实验结果和分析 | 第46-48页 |
| 4.4.1 阈值影响分析 | 第46页 |
| 4.4.2 算法对比和分析 | 第46-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第五章 总结与展望 | 第49-51页 |
| 5.1 总结 | 第49-50页 |
| 5.2 展望 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 致谢 | 第55-56页 |
| 附录A 攻读学位期间所发表的学术论文 | 第56页 |
