| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 第一章 绪论 | 第6-11页 |
| 1.1 研究背景与意义 | 第6-7页 |
| 1.2 国内外研究现状分析 | 第7-9页 |
| 1.2.1 数据挖掘算法研究现状 | 第7页 |
| 1.2.2 MapReduce研究现状 | 第7-8页 |
| 1.2.3 推荐算法研究现状 | 第8-9页 |
| 1.3 研究内容 | 第9页 |
| 1.4 论文组织结构 | 第9-11页 |
| 第二章 理论基础与技术 | 第11-17页 |
| 2.1 MapReduce及Hadoop | 第11-13页 |
| 2.1.1 MapReduce | 第11-12页 |
| 2.1.2 Hadoop | 第12-13页 |
| 2.2 数据挖掘概述 | 第13-15页 |
| 2.2.1 数据挖掘 | 第13-14页 |
| 2.2.2 聚类分析 | 第14页 |
| 2.2.3 并行聚类 | 第14-15页 |
| 2.3 推荐系统 | 第15页 |
| 2.4 本章小结 | 第15-17页 |
| 第三章 LSHBMRPK-means算法 | 第17-26页 |
| 3.1 引言 | 第17页 |
| 3.2 数据挖掘算法的MapReduce可并行性分析 | 第17-18页 |
| 3.3 k-means算法及其应对海量高维数据的不足 | 第18-19页 |
| 3.4 MapReduce并行化的k-means算法 | 第19-21页 |
| 3.5 LSHBMRPK-means算法 | 第21-25页 |
| 3.5.1 局部敏感哈希函数 | 第21-22页 |
| 3.5.2 算法的基本思想 | 第22-24页 |
| 3.5.3 算法的执行过程 | 第24页 |
| 3.5.4 算法描述 | 第24-25页 |
| 3.6 本章小结 | 第25-26页 |
| 第四章 基于LFM的LSHBMRPK-means协同过滤算法 | 第26-34页 |
| 4.1 引言 | 第26页 |
| 4.2 预备知识 | 第26-31页 |
| 4.2.1 基于聚类的协同过滤算法 | 第26-27页 |
| 4.2.2 SVD及其不足 | 第27-28页 |
| 4.2.3 随机梯度下降法 | 第28-29页 |
| 4.2.4 LFM协同过滤算法 | 第29-31页 |
| 4.3 基于LFM的LSHBMRPK-means协同过滤算法 | 第31-33页 |
| 4.4 本章小结 | 第33-34页 |
| 第五章 实验设计与结果分析 | 第34-42页 |
| 5.1 实验准备 | 第34-37页 |
| 5.1.1 实验环境 | 第34页 |
| 5.1.2 实验数据集 | 第34-35页 |
| 5.1.3 评分指标 | 第35-36页 |
| 5.1.4 实验设计 | 第36-37页 |
| 5.2 实验结果与分析 | 第37-40页 |
| 5.2.1 确定正确的聚类算法的簇个数 | 第37-38页 |
| 5.2.2 测试LSHBMRPK-means算法的执行时间 | 第38页 |
| 5.2.3 测试局部敏感哈希算法的有效性 | 第38-39页 |
| 5.2.4 测试不同聚类个数对推荐性能的影响 | 第39-40页 |
| 5.2.5 测试基于LFM的LSHBMRPK-means协同过滤算法的执行时间 | 第40页 |
| 5.3 本章小结 | 第40-42页 |
| 第六章 结论与展望 | 第42-44页 |
| 6.1 结论 | 第42-43页 |
| 6.2 展望 | 第43-44页 |
| 参考文献 | 第44-47页 |
| 攻读学位期间的研究成果 | 第47-48页 |
| 致谢 | 第48-49页 |
