基于用户协同过滤算法的推荐系统的设计与实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-13页 |
| 缩略语对照表 | 第13-17页 |
| 第一章 绪论 | 第17-23页 |
| 1.1 选题研究背景及意义 | 第17-18页 |
| 1.2 国内外研究现状 | 第18-19页 |
| 1.3 推荐系统的主要研究内容 | 第19页 |
| 1.4 论文工作与组织结构 | 第19-21页 |
| 1.4.1 论文工作 | 第19-20页 |
| 1.4.2 论文组织结构 | 第20-21页 |
| 1.5 本章小结 | 第21-23页 |
| 第二章 推荐算法及系统实现相关技术的研究 | 第23-41页 |
| 2.1 推荐算法的研究 | 第23-31页 |
| 2.1.1 用户协同过滤算法的研究 | 第24-26页 |
| 2.1.2 相似度计算模型的研究 | 第26-28页 |
| 2.1.3 其他推荐算法的研究 | 第28-30页 |
| 2.1.4 推荐算法的评价指标研究 | 第30-31页 |
| 2.2 Hadoop核心技术研究 | 第31-36页 |
| 2.2.1 Hadoop概述 | 第31-32页 |
| 2.2.2 HDFS技术研究 | 第32-33页 |
| 2.2.3 Map Reduce技术研究 | 第33-36页 |
| 2.3 系统实现相关技术的研究 | 第36-39页 |
| 2.3.1 Python语言研究 | 第36-37页 |
| 2.3.2 Flask框架研究 | 第37-38页 |
| 2.3.3 Bootstrap框架研究 | 第38-39页 |
| 2.4 本章小结 | 第39-41页 |
| 第三章 用户协同过滤算法的改进与实验分析 | 第41-63页 |
| 3.1 欧氏距离相似度计算模型的改进实验 | 第41-52页 |
| 3.1.1 传统欧氏距离相似度计算模型 | 第41-42页 |
| 3.1.2 实验环境 | 第42页 |
| 3.1.3 实验数据 | 第42页 |
| 3.1.4 欧氏距离相似度计算模型的改进 | 第42-46页 |
| 3.1.5 实验过程与结果分析 | 第46-52页 |
| 3.2 用户协同过滤算法的分布式改进实验 | 第52-61页 |
| 3.2.1 用户协同过滤单机算法的不足 | 第52页 |
| 3.2.2 实验环境搭建 | 第52-53页 |
| 3.2.3 实验数据 | 第53页 |
| 3.2.4 用户协同过滤算法的分布式改进 | 第53-57页 |
| 3.2.5 实验过程与结果分析 | 第57-61页 |
| 3.3 本章小结 | 第61-63页 |
| 第四章 推荐系统的设计与实现 | 第63-81页 |
| 4.1 系统需求分析 | 第63页 |
| 4.2 系统概要设计 | 第63-65页 |
| 4.2.1 系统总体架构 | 第63-64页 |
| 4.2.2 系统功能模块概述 | 第64-65页 |
| 4.3 系统详细设计 | 第65-75页 |
| 4.3.1 源数据集处理模块 | 第65-66页 |
| 4.3.2 数据模型处理模块 | 第66-68页 |
| 4.3.3 HDFS文件操作模块 | 第68页 |
| 4.3.4 用户评分反馈模块 | 第68-69页 |
| 4.3.5 后台推荐引擎模块 | 第69-71页 |
| 4.3.6 数据库更新模块 | 第71-72页 |
| 4.3.7 前端UI展示模块 | 第72-75页 |
| 4.4 数据库分析与设计 | 第75-78页 |
| 4.4.1 数据库概念设计 | 第75页 |
| 4.4.2 数据库逻辑结构设计 | 第75-77页 |
| 4.4.3 系统E-R图 | 第77页 |
| 4.4.4 数据表设计 | 第77-78页 |
| 4.5 系统测试 | 第78-80页 |
| 4.6 本章小结 | 第80-81页 |
| 第五章 总结与展望 | 第81-83页 |
| 5.1 总结 | 第81页 |
| 5.2 展望 | 第81-83页 |
| 参考文献 | 第83-85页 |
| 致谢 | 第85-87页 |
| 作者简介 | 第87-88页 |
