基于流计算的推荐系统设计与实现
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 研究背景与意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.2.1 流计算研究现状 | 第8-9页 |
| 1.2.2 推荐系统研究现状 | 第9-10页 |
| 1.3 论文主要研究内容 | 第10-11页 |
| 1.4 论文组织结构 | 第11-12页 |
| 第二章 相关支撑技术 | 第12-25页 |
| 2.1 流计算技术 | 第12-15页 |
| 2.1.1 流计算概念 | 第12-13页 |
| 2.1.2 流计算处理流程 | 第13-14页 |
| 2.1.3 流计算应用场景 | 第14-15页 |
| 2.2 Storm流计算框架 | 第15-20页 |
| 2.2.1 基本原理 | 第15-18页 |
| 2.2.2 与Hadoop区别对比 | 第18-19页 |
| 2.2.3 关键特性 | 第19-20页 |
| 2.3 推荐系统 | 第20-24页 |
| 2.3.1 基本原理 | 第20-21页 |
| 2.3.2 主流推荐算法 | 第21-23页 |
| 2.3.3 评价指标 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 基于Trident的协同过滤算法 | 第25-39页 |
| 3.1 协同过滤算法主要思想 | 第25-28页 |
| 3.1.1 基于用户的协同过滤推荐 | 第25-26页 |
| 3.1.2 基于项目的协同过滤推荐 | 第26-27页 |
| 3.1.3 基于模型的协同过滤推荐 | 第27-28页 |
| 3.2 相似度计算方法 | 第28-30页 |
| 3.3 使用场景及优势对比 | 第30-31页 |
| 3.4 算法的具体实现 | 第31-38页 |
| 3.4.1 Trident计算框架 | 第31-33页 |
| 3.4.2 算法整体思路 | 第33-34页 |
| 3.4.3 算法实现步骤 | 第34-36页 |
| 3.4.4 相似邻居计算 | 第36-38页 |
| 3.4.5 物品推荐过程 | 第38页 |
| 3.5 本章小结 | 第38-39页 |
| 第四章 基于Storm的推荐系统设计与实现 | 第39-48页 |
| 4.1 系统需求分析 | 第39-40页 |
| 4.2 总体架构设计 | 第40-41页 |
| 4.3 数据收集模块 | 第41页 |
| 4.4 DRPC Server模块 | 第41-42页 |
| 4.5 数据流计算模块具体实现 | 第42-47页 |
| 4.5.1 用户相似度计算流程 | 第43-46页 |
| 4.5.2 相似邻居推荐流程 | 第46-47页 |
| 4.6 Redis存储模块 | 第47页 |
| 4.7 本章小结 | 第47-48页 |
| 第五章 系统测试和结果分析 | 第48-54页 |
| 5.1 实验环境与测试数据集 | 第48-49页 |
| 5.1.1 实验运行环境 | 第48页 |
| 5.1.2 实验数据集 | 第48-49页 |
| 5.2 实验方案设计 | 第49-50页 |
| 5.2.1 性能测试 | 第49页 |
| 5.2.2 准确率测试 | 第49-50页 |
| 5.3 实验结果分析 | 第50-53页 |
| 5.4 本章小结 | 第53-54页 |
| 第六章 总结与展望 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 附录1 图表目录 | 第58-59页 |
| 附录2 攻读硕士学位期间撰写的论文 | 第59-60页 |
| 致谢 | 第60页 |
