首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--检索机论文

基于移动轨迹的个性化商户推荐系统的研究与实现

摘要第4-5页
abstract第5页
第一章 绪论第8-14页
    1.1 课题研究背景及意义第8-9页
    1.2 研究现状与发展趋势第9-11页
        1.2.1 商品推荐算法研究现状及趋势第9-10页
        1.2.2 K-Means算法研究现状及趋势第10-11页
        1.2.3 Spark大数据的应用现状第11页
    1.3 本文研究内容第11-12页
    1.4 章节安排第12-14页
第二章 移动轨迹数据采集及处理第14-19页
    2.1 采集方式第14-16页
        2.1.1 基于Cell-ID的采集技术第14-15页
        2.1.2 GPS定位采集技术第15-16页
        2.1.3 混合采集技术第16页
    2.2 数据参数第16-17页
    2.3 数据预处理第17-18页
        2.3.1 错误数据的识别第17-18页
        2.3.2 轨迹数据的格式化第18页
    2.4 本章小结第18-19页
第三章 用户移动轨迹分析处理的框架第19-26页
    3.1 分布式集群框架第19-22页
        3.1.1 Spark集群框架的架构第20-21页
        3.1.2 Spark任务处理流程第21-22页
        3.1.3 Spark守护进程第22页
    3.2 图形数据的存储第22-24页
        3.2.1 Neo4j数据存储方式第22-23页
        3.2.2 Neo4j数据模型构建第23-24页
    3.3 数据可视化第24-25页
    3.4 本章小结第25-26页
第四章 热点区域识别和商户推荐算法第26-43页
    4.1 引言第26-27页
    4.2 基本定义及描述第27-28页
    4.3 K-Means聚类算法第28-29页
        4.3.1 K-Means聚类算法分析第28页
        4.3.2 K-Means聚类算法存在的不足第28-29页
    4.4 基于Spark的K-Means聚类改进算法第29-34页
        4.4.1 聚类数K值确定第29-31页
        4.4.2 初始中心点确定第31-32页
        4.4.3 基于Spark的并行算法第32-34页
    4.5 基于移动轨迹的推荐算法第34-37页
    4.6 性能分析第37-42页
        4.6.1 改进算法性能分析第37-40页
        4.6.2 推荐算法性能分析第40-42页
    4.7 本章小结第42-43页
第五章 系统的设计与实现第43-57页
    5.1 整体设计方案第43-44页
    5.2 模块的设计与实现第44-51页
        5.2.1 预处理模块第45-48页
        5.2.2 数据格式化模块第48-49页
        5.2.3 热点区域识别模块第49-51页
        5.2.4 个性化商户推荐模块第51页
    5.3 系统的测试和验证第51-56页
        5.3.1 测试环境第52页
        5.3.2 测试和验证第52-56页
    5.4 本章小结第56-57页
第六章 总结与展望第57-59页
    6.1 本文工作第57-58页
    6.2 未来工作展望第58-59页
参考文献第59-62页
附录1 攻读硕士学位期间撰写的论文第62-63页
附录2 攻读硕士学位期间申请的专利第63-64页
致谢第64页

论文共64页,点击 下载论文
上一篇:基于边缘检测的高速铁路设备识别方法研究
下一篇:人脸特征提取及分类识别算法的研究与设计