| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-12页 |
| 1.1 推荐系统的研究背景和意义 | 第9页 |
| 1.2 推荐系统的研究现状 | 第9-10页 |
| 1.3 研究的主要内容 | 第10-11页 |
| 1.4 论文的组织结构 | 第11-12页 |
| 第二章 相关技术研究基础 | 第12-16页 |
| 2.1 推荐系统 | 第12-13页 |
| 2.1.1 推荐系统的应用 | 第12页 |
| 2.1.2 推荐系统的架构 | 第12-13页 |
| 2.2 云计算和Hadoop | 第13-15页 |
| 2.2.1 云计算 | 第13-14页 |
| 2.2.2 Hadoop | 第14-15页 |
| 2.3 R语言 | 第15页 |
| 2.4 本章小结 | 第15-16页 |
| 第三章 RHadoop云平台的实现 | 第16-21页 |
| 3.1 Hadoop的安装和配置 | 第16-19页 |
| 3.1.1 安装运行环境 | 第16页 |
| 3.1.2 配置主机名、IP地址和SSH免密钥登录 | 第16-17页 |
| 3.1.3 安装JDK | 第17页 |
| 3.1.4 Hadoop配置部署及安装验证 | 第17-19页 |
| 3.2 R的安装 | 第19页 |
| 3.3 RHadoop的安装 | 第19-20页 |
| 3.4 本章小结 | 第20-21页 |
| 第四章 推荐算法在RHadoop云平台的实现 | 第21-34页 |
| 4.1 协同过滤推荐算法 | 第21-23页 |
| 4.1.1 基于用户的协同过滤算法 | 第21页 |
| 4.1.2 基于物品的协同过滤算法 | 第21-22页 |
| 4.1.3 UserCF和ItemCF的综合比较 | 第22-23页 |
| 4.2 ItemCF推荐算法在RHadoop云平台的实现 | 第23-26页 |
| 4.3 强化学习 | 第26-27页 |
| 4.4 强化学习算法 | 第27-28页 |
| 4.4.1 Q-Learning强化学习算法 | 第27页 |
| 4.4.2 Sarsa强化学习算法 | 第27-28页 |
| 4.5 Sarsa强化学习算法在RHadoop云平台的实现 | 第28-31页 |
| 4.6 推荐算法实验结果与分析 | 第31-33页 |
| 4.6.1 RHadoop云平台的ItemCF推荐算法 | 第31-32页 |
| 4.6.2 RHadoop云平台的Sarsa强化学习算法 | 第32-33页 |
| 4.7 本章小结 | 第33-34页 |
| 第五章 基于RHadoop云平台的推荐系统的设计与研究 | 第34-44页 |
| 5.1 推荐系统的需求分析 | 第34页 |
| 5.2 推荐系统的架构设计 | 第34-36页 |
| 5.2.1 数据收集模块 | 第35页 |
| 5.2.2 数据存储模块 | 第35页 |
| 5.2.3 数据处理模块 | 第35页 |
| 5.2.4 推荐算法模块 | 第35页 |
| 5.2.5 用户交互模块 | 第35页 |
| 5.2.6 系统管理模块 | 第35-36页 |
| 5.3 推荐系统的实现 | 第36-39页 |
| 5.3.1 数据存储模块的实现 | 第36页 |
| 5.3.2 数据处理模块的实现 | 第36-37页 |
| 5.3.3 推荐算法模块的实现 | 第37-39页 |
| 5.4 推荐系统的测试 | 第39-43页 |
| 5.4.1 推荐系统的主页面 | 第39-40页 |
| 5.4.2 推荐系统的用户注册和登录 | 第40-41页 |
| 5.4.3 推荐系统的商品推荐 | 第41-43页 |
| 5.5 本章小结 | 第43-44页 |
| 第六章 总结和展望 | 第44-46页 |
| 6.1 论文总结 | 第44页 |
| 6.2 工作展望 | 第44-46页 |
| 参考文献 | 第46-49页 |
| 致谢 | 第49页 |
