基于混合推荐技术的推荐系统设计与实现
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文的研究内容 | 第12-13页 |
| 1.4 论文组织结构 | 第13页 |
| 1.5 本章小结 | 第13-14页 |
| 第二章 相关理论与技术介绍 | 第14-25页 |
| 2.1 推荐系统介绍 | 第14-15页 |
| 2.2 常用的推荐算法 | 第15-20页 |
| 2.2.1 基于人口统计学的推荐 | 第15页 |
| 2.2.2 基于内容的推荐 | 第15-16页 |
| 2.2.3 协同过滤推荐 | 第16-19页 |
| 2.2.4 混合推荐 | 第19-20页 |
| 2.3 相关大数据技术介绍 | 第20-24页 |
| 2.3.1 分布式系统基础架构Hadoop | 第20-21页 |
| 2.3.2 分布式实时流计算框架Storm | 第21-22页 |
| 2.3.3 分布式日志收集系统Flume | 第22-23页 |
| 2.3.4 分布式发布订阅消息系统Kafka | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 混合推荐方法与系统设计 | 第25-36页 |
| 3.1 混合推荐方法 | 第25-28页 |
| 3.2 推荐系统设计 | 第28-35页 |
| 3.2.1 离线推荐模块 | 第28-31页 |
| 3.2.2 基于Hadoop的设计 | 第31-32页 |
| 3.2.3 基于Flume的日志收集系统设计 | 第32-33页 |
| 3.2.4 在线推荐模块 | 第33-34页 |
| 3.2.5 基于Storm的设计 | 第34页 |
| 3.2.6 推荐结果的过滤与排名 | 第34-35页 |
| 3.3 本章小结 | 第35-36页 |
| 第四章 基于混合推荐技术的推荐系统的实现 | 第36-61页 |
| 4.1 数据集描述 | 第36-37页 |
| 4.2 数据准备 | 第37-38页 |
| 4.3 用户行为收集 | 第38-39页 |
| 4.4 用户隐式评分实现 | 第39-40页 |
| 4.5 基于Hadoop混合推荐方法的实现 | 第40-54页 |
| 4.5.1 构建用户模型 | 第40-42页 |
| 4.5.2 构建用户组的偏好模型 | 第42-46页 |
| 4.5.3 构建电影评分相关模型 | 第46-49页 |
| 4.5.4 构建电影混合相关模型 | 第49-52页 |
| 4.5.5 离线推荐过程 | 第52-54页 |
| 4.6 基于Storm在线推荐的实现 | 第54-60页 |
| 4.6.1 构建在线偏好模型 | 第55-58页 |
| 4.6.2 在线推荐过程 | 第58-60页 |
| 4.7 本章小结 | 第60-61页 |
| 第五章 实验与测评 | 第61-68页 |
| 5.1 实验软硬件环境 | 第61-62页 |
| 5.2 实验设计 | 第62-64页 |
| 5.3 运行结果与分析 | 第64-67页 |
| 5.4 本章小结 | 第67-68页 |
| 第六章 总结与展望 | 第68-70页 |
| 6.1 本文总结 | 第68-69页 |
| 6.2 存在的问题与不足 | 第69页 |
| 6.3 未来工作展望 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-75页 |
