| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.1.1 DT时代的到来 | 第8页 |
| 1.1.2 消费者的个性化需求 | 第8-9页 |
| 1.2 相关研究现状 | 第9-12页 |
| 1.2.1 推荐系统算法研究现状 | 第9-11页 |
| 1.2.2 实际生产环境面临的问题与挑战 | 第11-12页 |
| 1.3 论文研究内容和创新点 | 第12-13页 |
| 1.4 论文组织结构 | 第13-14页 |
| 1.5 术语和记号 | 第14-16页 |
| 第二章 相关理论与技术 | 第16-32页 |
| 2.1 矩阵分解系列推荐算法综述 | 第16-24页 |
| 2.1.1 隐语义模型 | 第16-17页 |
| 2.1.2 概率矩阵分解模型 | 第17-18页 |
| 2.1.3 贝叶斯概率矩阵分解模型 | 第18-21页 |
| 2.1.4 融合信任网络的概率矩阵分解模型 | 第21-24页 |
| 2.2 大数据并行计算框架 | 第24-31页 |
| 2.2.1 Hadoop | 第24-26页 |
| 2.2.2 Spark | 第26-28页 |
| 2.2.3 Spark-GraphX | 第28-31页 |
| 2.3 本章小结 | 第31-32页 |
| 第三章 融合用户项目显隐性关系网络的贝叶斯概率矩阵分解模型 | 第32-58页 |
| 3.1 用户项目显隐性关系网络相关问题的研究 | 第32-37页 |
| 3.1.1 用户信任网络信任度的计算方法 | 第32-35页 |
| 3.1.1.1 基于PageRank算法的用户信任度计算方法 | 第32-33页 |
| 3.1.1.2 考虑k跳信任用户的用户信任度计算方法 | 第33-35页 |
| 3.1.2 项目结构网络的构建与项目相似度的计算方法 | 第35-36页 |
| 3.1.3 隐性关系网络中用户(项目)相似度的计算方法 | 第36-37页 |
| 3.2 用户项目显隐性关系网络与BPMF模型的融合 | 第37-44页 |
| 3.2.1 模型概率推理图 | 第37-39页 |
| 3.2.2 概率推导 | 第39-41页 |
| 3.2.3 评分预测 | 第41-44页 |
| 3.2.4 模型的实现与时间复杂度分析 | 第44页 |
| 3.3 试验与分析 | 第44-57页 |
| 3.3.1 试验数据集 | 第44-45页 |
| 3.3.2 对比模型 | 第45-46页 |
| 3.3.3 评价指标 | 第46页 |
| 3.3.4 试验环境 | 第46页 |
| 3.3.5 试验设计 | 第46-47页 |
| 3.3.6 结果与分析 | 第47-57页 |
| 3.4 本章小结 | 第57-58页 |
| 第四章 基于Spark-GraphX的BPMFG模型分布式实现 | 第58-78页 |
| 4.1 BPMFG模型基于Spark-GraphX的分布式实现流程 | 第58-59页 |
| 4.2 用户项目显隐性关系网络的分布式构建 | 第59-67页 |
| 4.2.1 自定义通用接口 | 第59-64页 |
| 4.2.2 考虑k跳信任用户的信任网络的分布式构建 | 第64-65页 |
| 4.2.3 项目结构网络的分布式构建 | 第65-66页 |
| 4.2.4 用户(项目)隐性关系网络的分布式构建 | 第66页 |
| 4.2.5 用户(项目)显隐性关系网络与评分网络的融合 | 第66-67页 |
| 4.3 BPMFG模型的分布式训练 | 第67-71页 |
| 4.3.1 数据分区存储策略 | 第67-68页 |
| 4.3.2 节点和边属性设计 | 第68页 |
| 4.3.3 模型分布式训练过程 | 第68-71页 |
| 4.4 试验与分析 | 第71-77页 |
| 4.4.1 Spark集群规划 | 第71-72页 |
| 4.4.2 集群运行状态 | 第72-73页 |
| 4.4.3 模型训练结果 | 第73-76页 |
| 4.4.4 集群性能调优 | 第76-77页 |
| 4.5 本章小结 | 第77-78页 |
| 第五章 总结与展望 | 第78-80页 |
| 5.1 总结 | 第78-79页 |
| 5.2 展望 | 第79-80页 |
| 致谢 | 第80-81页 |
| 参考文献 | 第81-84页 |
| 附录:作者在攻读硕士学位期间发表的论文 | 第84页 |
