推荐系统中协同过滤算法的研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究现状及发展趋势 | 第11-13页 |
| 1.2.1 推荐算法研究现状 | 第11-12页 |
| 1.2.2 推荐算法研究最新方向 | 第12-13页 |
| 1.3 本文主要工作 | 第13-14页 |
| 1.3.1 研究电商推荐系统 | 第13页 |
| 1.3.2 研究经典的协同过滤算法 | 第13页 |
| 1.3.3 改进的协同过滤算法 | 第13-14页 |
| 1.3.4 改进算法的分布式实现 | 第14页 |
| 1.3.5 算法实验对比分析 | 第14页 |
| 1.4 论文的组织结构 | 第14-15页 |
| 第二章 电商推荐系统分析及算法研究 | 第15-29页 |
| 2.1 系统架构 | 第15-17页 |
| 2.1.1 Netflix推荐系统架构分析 | 第15-17页 |
| 2.2 推荐系统应用案例分析 | 第17-20页 |
| 2.2.1 当当网推荐系统分析 | 第17-18页 |
| 2.2.2 京东商城推荐系统分析 | 第18-20页 |
| 2.3 经典推荐算法分析 | 第20-29页 |
| 2.3.1 基于用户的协同过滤推荐算法 | 第20-22页 |
| 2.3.2 基于物品的协同过滤推荐算法 | 第22-24页 |
| 2.3.3 基于SVD模型的推荐算法 | 第24-26页 |
| 2.3.4 基于图模型的推荐算法 | 第26-27页 |
| 2.3.5 基于聚类模型的推荐算法 | 第27-29页 |
| 第三章 改进的协同过滤算法及分布式实现 | 第29-36页 |
| 3.1 改进的协同过滤算法 | 第29-31页 |
| 3.1.1 算法原理 | 第29-30页 |
| 3.1.2 算法流程 | 第30页 |
| 3.1.3 算法改进分析 | 第30-31页 |
| 3.2 Spark平台原理 | 第31-33页 |
| 3.2.1 Spark整体架构 | 第31-32页 |
| 3.2.2 弹性分布式数据集(RDD) | 第32-33页 |
| 3.2.3 任务运行机制 | 第33页 |
| 3.3 分布式算法实现 | 第33-36页 |
| 3.3.1 算法设计 | 第33-34页 |
| 3.3.2 算法实现 | 第34-36页 |
| 第四章 改进的协同过滤算法对比实验 | 第36-45页 |
| 4.1 数据集分析 | 第36页 |
| 4.2 评价标准 | 第36-39页 |
| 4.2.1 MAE和RMSE | 第37页 |
| 4.2.2 精确度和召回率 | 第37-39页 |
| 4.3 实验过程 | 第39页 |
| 4.4 实验结果 | 第39-41页 |
| 4.5 Web推荐系统 | 第41-45页 |
| 4.5.1 前端功能 | 第41-43页 |
| 4.5.2 后端功能 | 第43-45页 |
| 第五章 总结和展望 | 第45-47页 |
| 5.1 总结 | 第45-46页 |
| 5.2 展望 | 第46-47页 |
| 参考文献 | 第47-50页 |
| 硕士期间的科研成果 | 第50-51页 |
| 致谢 | 第51页 |
